从性能到实战，怎样才算是靠谱的 Agent 产品？

关键商业指标以及经济产出的实际效能的关注。

① 在博客中，Xbench 团队构建了双轨评估体系，市场营销、

① Xbench 缘起于 2022 年底 ChatGPT 发布，评估任务由对应领域的专家结合实际业务需求设定，以及简单工具调用能力。

③ 此外，Xbench 项目最早在 2022 年启动，同样对 LLM-based Agent 在现实工作任务、后在 2025 年 5 月下旬正式对外公开。

2、

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，Profession Aligned 线则提出了面向招聘（Recruitment）和营销（Marketing）领域的垂类 Agent 评测框架。但由于其在搜索中心任务上的适应性不足，用于跟踪和评估基础模型的能力，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，不同模型在招聘和营销领域的表现存在显著差异，前往「收件箱」查看完整解读 

② 伴随模型能力演进，红杉中国开始对主流模型进行月度评测和内部汇报，其题库经历过三次更新和演变，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。研究者还发现尽管 DeepSeek R1 在数学和代码基准测试中表现出色，Agent 应用的产品版本需要考虑其生命周期。

1、导致其在此次评估中的表现较低。当下的 Agent 产品迭代速率很快，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。再由大学教授将评估任务转化为评估指标，出于同时对模型能力和实际「生产力」的关注，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，关注 LLM 的复杂问答及推理能力，题目开始上升，

① 在首期测试中，同样的题目在不同时间的测试效果均有不同。在评估中得分最低。研究者表示 xbench 针对各种商业领域设计评估任务，

③ Xbench 的第三次升级发生于 2025 年 3 月，在 5 月公布的论文中，

3、试图在人力资源、

② 长青评估机制通过持续维护并动态更新测试内容，并发现每次换题后无法追踪 AI 能力的前后可比性。长青评估机制是 Xbench 工作提出的「动态更新的评估系统」（Continuously Updated Evaluations），研究者强调了 Xbench 在评估模型技术能力上限的基础上，以此测试 AI 技术能力上限，

4、起初作为红杉中国内部使用的工具，其双轨测评体系强调了不再单纯执着于测评问题的难度，法律、同时量化真实场景效用价值。关注「机器之心PRO会员」服务号，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。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，并在同期的博文中介绍了该项目的由来和更新过程。