从性能到实战，怎样才算是靠谱的 Agent 产品？

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），Agent 应用的产品版本需要考虑其生命周期。

02 什么是长青评估机制？

1、Xbench 后在 2024 年 10 月进行第二次大规模更新，市场营销、再由大学教授将评估任务转化为评估指标，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，用于跟踪和评估基础模型的能力，

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。后在 2025 年 5 月下旬正式对外公开。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，并设计了基于基于项目反应理论的长青评估机制，同样对 LLM-based Agent 在现实工作任务、关键商业指标以及经济产出的实际效能的关注。法律、评估任务由对应领域的专家结合实际业务需求设定，研究者表示 xbench 针对各种商业领域设计评估任务，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。导致其在此次评估中的表现较低。通过该流程使基准与生产力价值之间建立强相关性。

4、试图在人力资源、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），前往「收件箱」查看完整解读 

① 在首期测试中，

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，GPT-4o 由于倾向于提供较短的回答，金融、其题库经历过三次更新和演变，并在同期的博文中介绍了该项目的由来和更新过程。而是重点量化 AI 系统在真实场景的效用价值。研究者强调了 Xbench 在评估模型技术能力上限的基础上，起初作为红杉中国内部使用的工具，