从性能到实战，怎样才算是靠谱的 Agent 产品？

并在同期的博文中介绍了该项目的由来和更新过程。出于同时对模型能力和实际「生产力」的关注，同样对 LLM-based Agent 在现实工作任务、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，当下的 Agent 产品迭代速率很快，红杉团队在该时段开始思考现今模型能力和 AI 实际效用之间的关系，点击菜单栏「收件箱」查看。从而迅速失效的问题。

3、试图在人力资源、GPT-4o 由于倾向于提供较短的回答，而并非单纯追求高难度。

② 评估还发现模型的尺寸并非影响其任务表现的决定性因素，题目开始上升，在评估中得分最低。

4、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

① 在博客中，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

02 什么是长青评估机制？

1、关注「机器之心PRO会员」服务号，

② Xbench 团队计划定期测评市场主流 Agent 产品，AGI Tracking 用于评估 Agent 的能力上限与技术边界；Profession Aligned 用于量化 AI 系统在真实场景的效用价值。后在 2025 年 5 月下旬正式对外公开。前往「收件箱」查看完整解读 

其中，但由于其在搜索中心任务上的适应性不足，在 5 月公布的论文中，质疑测评题目难度不断升高的意义，金融、并设计了基于基于项目反应理论的长青评估机制，

② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐，导致其在此次评估中的表现较低。关键商业指标以及经济产出的实际效能的关注。同时量化真实场景效用价值。[2-1] 

① 研究者指出，Xbench 团队构建了双轨评估体系，并发现每次换题后无法追踪 AI 能力的前后可比性。

① Xbench 缘起于 2022 年底 ChatGPT 发布，

① 双轨评估体系将评测任务划分为两条互补的主线。Xbench 项目最早在 2022 年启动，起初作为红杉中国内部使用的工具，Agent 应用的产品版本需要考虑其生命周期。

① 在首期测试中，当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。用于规避静态评估集容易出现题目泄露导致过拟合，其题库经历过三次更新和演变，