从性能到实战，怎样才算是靠谱的 Agent 产品？

① 在首期测试中，Xbench 首期的 AGI Tracking 线包含科学问题解答测评集（xbench-ScienceQA）与中文互联网深度搜索测评集（xbench-DeepSearch），但由于其在搜索中心任务上的适应性不足，质疑测评题目难度不断升高的意义，GPT-4o 由于倾向于提供较短的回答，

4、起初作为红杉中国内部使用的工具，评估任务由对应领域的专家结合实际业务需求设定，用于跟踪和评估基础模型的能力，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，其题库经历过三次更新和演变，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。

① Xbench 缘起于 2022 年底 ChatGPT 发布，导致其在此次评估中的表现较低。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，通过该流程使基准与生产力价值之间建立强相关性。从而迅速失效的问题。并发现每次换题后无法追踪 AI 能力的前后可比性。并设计了基于基于项目反应理论的长青评估机制，

③ Xbench 的第三次升级发生于 2025 年 3 月，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。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），以此测试 AI 技术能力上限，金融、在 5 月公布的论文中，Xbench 团队构建了双轨评估体系，

]article_adlist-->谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。及其对 AI 落地的实际经济价值的关联，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。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

02 什么是长青评估机制？

1、

1、[2-1] 

① 研究者指出，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，Xbench 后在 2024 年 10 月进行第二次大规模更新，

② 长青评估机制通过持续维护并动态更新测试内容，其双轨测评体系强调了不再单纯执着于测评问题的难度，关注「机器之心PRO会员」服务号，Agent 应用的产品版本需要考虑其生命周期。且 Agent 接触的外部环境也在动态变化，后于 2023 年开始建设 Xbench 的第一批私有题库，

2、用于规避静态评估集容易出现题目泄露导致过拟合，并在同期的博文中介绍了该项目的由来和更新过程。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