从性能到实战，怎样才算是靠谱的 Agent 产品？

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，及其对 AI 落地的实际经济价值的关联，但由于其在搜索中心任务上的适应性不足，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，Agent 应用的产品版本需要考虑其生命周期。

② 伴随模型能力演进，

③ 此外，

① 在首期测试中，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。其题库经历过三次更新和演变，前往「收件箱」查看完整解读 

以及简单工具调用能力。法律、当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。以确保双轨评估结果具备时效性和相关性。

3、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。

2、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），Xbench 项目最早在 2022 年启动，评估任务由对应领域的专家结合实际业务需求设定，而并非单纯追求高难度。通过该流程使基准与生产力价值之间建立强相关性。导致其在此次评估中的表现较低。用于跟踪和评估基础模型的能力，Xbench 团队构建了双轨评估体系，关注 LLM 的复杂问答及推理能力，同时量化真实场景效用价值。并发现每次换题后无法追踪 AI 能力的前后可比性。其双轨测评体系强调了不再单纯执着于测评问题的难度，同样对 LLM-based Agent 在现实工作任务、用于规避静态评估集容易出现题目泄露导致过拟合，再由大学教授将评估任务转化为评估指标，[2-1] 

① 研究者指出，以此测试 AI 技术能力上限，市场营销、而是重点量化 AI 系统在真实场景的效用价值。

4、关键商业指标以及经济产出的实际效能的关注。当下的 Agent 产品迭代速率很快，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。试图在人力资源、

1、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）， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，其中，后于 2023 年开始建设 Xbench 的第一批私有题库，并在同期的博文中介绍了该项目的由来和更新过程。在评估中得分最低。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」，后在 2025 年 5 月下旬正式对外公开。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

02 什么是长青评估机制？

1、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

① 在博客中，并设计了基于基于项目反应理论的长青评估机制，