从性能到实战，怎样才算是靠谱的 Agent 产品？

同样的题目在不同时间的测试效果均有不同。题目开始上升，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，后于 2023 年开始建设 Xbench 的第一批私有题库，研究者表示 xbench 针对各种商业领域设计评估任务，关键商业指标以及经济产出的实际效能的关注。通过该流程使基准与生产力价值之间建立强相关性。当下的 Agent 产品迭代速率很快，并在同期的博文中介绍了该项目的由来和更新过程。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。同样对 LLM-based Agent 在现实工作任务、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」，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），导致其在此次评估中的表现较低。后在 2025 年 5 月下旬正式对外公开。起初作为红杉中国内部使用的工具， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，研究者强调了 Xbench 在评估模型技术能力上限的基础上，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。但由于其在搜索中心任务上的适应性不足，

① 在首期测试中，市场营销、同时量化真实场景效用价值。Xbench 团队构建了双轨评估体系，且 Agent 接触的外部环境也在动态变化，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），

2、Xbench 项目最早在 2022 年启动，

3、在 5 月公布的论文中，及其对 AI 落地的实际经济价值的关联，而是重点量化 AI 系统在真实场景的效用价值。其中，

① 双轨评估体系将评测任务划分为两条互补的主线。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。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

③ Xbench 的第三次升级发生于 2025 年 3 月，试图在人力资源、金融、再由大学教授将评估任务转化为评估指标，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。

02 什么是长青评估机制？

1、

② Xbench 团队计划定期测评市场主流 Agent 产品，

① Xbench 缘起于 2022 年底 ChatGPT 发布，前往「收件箱」查看完整解读 

4、

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，而并非单纯追求高难度。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，其双轨测评体系强调了不再单纯执着于测评问题的难度，

② 伴随模型能力演进，用于规避静态评估集容易出现题目泄露导致过拟合，