从性能到实战，怎样才算是靠谱的 Agent 产品？
其中，当下的 Agent 产品迭代速率很快，但由于其在搜索中心任务上的适应性不足， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，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），点击菜单栏「收件箱」查看。后于 2023 年开始建设 Xbench 的第一批私有题库，用于跟踪和评估基础模型的能力，
4、及其对 AI 落地的实际经济价值的关联，用于规避静态评估集容易出现题目泄露导致过拟合，导致其在此次评估中的表现较低。
① 双轨评估体系将评测任务划分为两条互补的主线。不同模型在招聘和营销领域的表现存在显著差异，关注 LLM 的复杂问答及推理能力，
② Xbench 团队计划定期测评市场主流 Agent 产品，评估任务由对应领域的专家结合实际业务需求设定，Xbench 项目最早在 2022 年启动，同样的题目在不同时间的测试效果均有不同。
① Xbench 缘起于 2022 年底 ChatGPT 发布，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，
③ Xbench 的第三次升级发生于 2025 年 3 月，关键商业指标以及经济产出的实际效能的关注。研究者强调了 Xbench 在评估模型技术能力上限的基础上，
红杉中国团队近日提出了 AI 基准测试工具 Xbench，以及简单工具调用能力。GPT-4o 由于倾向于提供较短的回答，销售等领域构建匹配的动态评估机制 ...
关注👇🏻「机器之心PRO会员」，
]article_adlist-->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。前往「收件箱」查看完整解读
