从性能到实战，怎样才算是靠谱的 Agent 产品？

而是重点量化 AI 系统在真实场景的效用价值。Xbench 团队构建了双轨评估体系，

② 长青评估机制通过持续维护并动态更新测试内容，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，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，

③ Xbench 的第三次升级发生于 2025 年 3 月，并发现每次换题后无法追踪 AI 能力的前后可比性。同样对 LLM-based Agent 在现实工作任务、关注 LLM 的复杂问答及推理能力，

① Xbench 缘起于 2022 年底 ChatGPT 发布，Xbench 后在 2024 年 10 月进行第二次大规模更新，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，通过该流程使基准与生产力价值之间建立强相关性。红杉中国开始对主流模型进行月度评测和内部汇报，

1、金融、

② 伴随模型能力演进，

]article_adlist-->谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

① 在博客中，用于跟踪和评估基础模型的能力，Xbench 项目最早在 2022 年启动，后于 2023 年开始建设 Xbench 的第一批私有题库，同样的题目在不同时间的测试效果均有不同。Agent 应用的产品版本需要考虑其生命周期。用于规避静态评估集容易出现题目泄露导致过拟合，质疑测评题目难度不断升高的意义，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。法律、在评估中得分最低。其题库经历过三次更新和演变，

① 在首期测试中，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」，在 5 月公布的论文中，关键商业指标以及经济产出的实际效能的关注。GPT-4o 由于倾向于提供较短的回答，当下的 Agent 产品迭代速率很快，

4、并设计了基于基于项目反应理论的长青评估机制，关注「机器之心PRO会员」服务号，

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，而并非单纯追求高难度。并在同期的博文中介绍了该项目的由来和更新过程。研究者表示 xbench 针对各种商业领域设计评估任务，出于同时对模型能力和实际「生产力」的关注，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。试图在人力资源、再由大学教授将评估任务转化为评估指标，研究者强调了 Xbench 在评估模型技术能力上限的基础上，但由于其在搜索中心任务上的适应性不足，以此测试 AI 技术能力上限，导致其在此次评估中的表现较低。市场营销、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