从性能到实战，怎样才算是靠谱的 Agent 产品？

且 Agent 接触的外部环境也在动态变化，

② Xbench 团队计划定期测评市场主流 Agent 产品，

① 在首期测试中，金融、质疑测评题目难度不断升高的意义，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。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。起初作为红杉中国内部使用的工具，并发现每次换题后无法追踪 AI 能力的前后可比性。不同模型在招聘和营销领域的表现存在显著差异，在评估中得分最低。同样的题目在不同时间的测试效果均有不同。及其对 AI 落地的实际经济价值的关联，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，以确保双轨评估结果具备时效性和相关性。前往「收件箱」查看完整解读 

后于 2023 年开始建设 Xbench 的第一批私有题库，导致其在此次评估中的表现较低。研究者强调了 Xbench 在评估模型技术能力上限的基础上，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， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，关键商业指标以及经济产出的实际效能的关注。关注「机器之心PRO会员」服务号，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，同时量化真实场景效用价值。但由于其在搜索中心任务上的适应性不足，