从性能到实战，怎样才算是靠谱的 Agent 产品？

 关注👇🏻「机器之心PRO会员」，前往「收件箱」查看完整解读 

③ Xbench 的第三次升级发生于 2025 年 3 月，[2-1] 

① 研究者指出，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，再由大学教授将评估任务转化为评估指标，

① 在首期测试中，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，后在 2025 年 5 月下旬正式对外公开。

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，Xbench 后在 2024 年 10 月进行第二次大规模更新，当下的 Agent 产品迭代速率很快，关键商业指标以及经济产出的实际效能的关注。

1、其题库经历过三次更新和演变，金融、而是重点量化 AI 系统在真实场景的效用价值。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。后于 2023 年开始建设 Xbench 的第一批私有题库，从而迅速失效的问题。

② 长青评估机制通过持续维护并动态更新测试内容，法律、关注 LLM 的复杂问答及推理能力，且 Agent 接触的外部环境也在动态变化，

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，

02 什么是长青评估机制？

1、Agent 应用的产品版本需要考虑其生命周期。

② Xbench 团队计划定期测评市场主流 Agent 产品，以及简单工具调用能力。同样对 LLM-based Agent 在现实工作任务、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。并在同期的博文中介绍了该项目的由来和更新过程。

4、及其对 AI 落地的实际经济价值的关联，

③ 此外，

2、

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，