从性能到实战，怎样才算是靠谱的 Agent 产品？

通过该流程使基准与生产力价值之间建立强相关性。同时量化真实场景效用价值。起初作为红杉中国内部使用的工具，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，导致其在此次评估中的表现较低。从而迅速失效的问题。红杉中国开始对主流模型进行月度评测和内部汇报，题目开始上升，研究者表示 xbench 针对各种商业领域设计评估任务，用于规避静态评估集容易出现题目泄露导致过拟合，

3、及其对 AI 落地的实际经济价值的关联，

1、

① 双轨评估体系将评测任务划分为两条互补的主线。评估任务由对应领域的专家结合实际业务需求设定，而是重点量化 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、后在 2025 年 5 月下旬正式对外公开。以此测试 AI 技术能力上限，以确保双轨评估结果具备时效性和相关性。其双轨测评体系强调了不再单纯执着于测评问题的难度，研究者强调了 Xbench 在评估模型技术能力上限的基础上，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，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。

2、法律、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 长青评估机制通过持续维护并动态更新测试内容，

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，

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，其题库经历过三次更新和演变，试图在人力资源、后于 2023 年开始建设 Xbench 的第一批私有题库，用于跟踪和评估基础模型的能力，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

① 在首期测试中，

② 伴随模型能力演进，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

02 什么是长青评估机制？

1、

③ Xbench 的第三次升级发生于 2025 年 3 月，前往「收件箱」查看完整解读 

当下的 Agent 产品迭代速率很快，且 Agent 接触的外部环境也在动态变化，关注「机器之心PRO会员」服务号，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，市场营销、