从性能到实战，怎样才算是靠谱的 Agent 产品？

前往「收件箱」查看完整解读 

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

4、同样对 LLM-based Agent 在现实工作任务、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。而是重点量化 AI 系统在真实场景的效用价值。

② 长青评估机制通过持续维护并动态更新测试内容，而并非单纯追求高难度。不同模型在招聘和营销领域的表现存在显著差异，红杉中国开始对主流模型进行月度评测和内部汇报，并发现每次换题后无法追踪 AI 能力的前后可比性。后在 2025 年 5 月下旬正式对外公开。再由大学教授将评估任务转化为评估指标，且 Agent 接触的外部环境也在动态变化，关注 LLM 的复杂问答及推理能力，

① 在博客中，

02 什么是长青评估机制？

1、

③ 此外，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

① 在首期测试中，并在同期的博文中介绍了该项目的由来和更新过程。并设计了基于基于项目反应理论的长青评估机制，市场营销、研究者表示 xbench 针对各种商业领域设计评估任务，同样的题目在不同时间的测试效果均有不同。关键商业指标以及经济产出的实际效能的关注。在评估中得分最低。以确保双轨评估结果具备时效性和相关性。后于 2023 年开始建设 Xbench 的第一批私有题库，点击菜单栏「收件箱」查看。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。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。Agent 应用的产品版本需要考虑其生命周期。

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，