从性能到实战，怎样才算是靠谱的 Agent 产品？

从而迅速失效的问题。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。

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，[2-1] 

① 研究者指出，

2、Xbench 项目最早在 2022 年启动，

① 在博客中，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

4、

① 双轨评估体系将评测任务划分为两条互补的主线。

02 什么是长青评估机制？

1、用于跟踪和评估基础模型的能力，并设计了基于基于项目反应理论的长青评估机制，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

② Xbench 团队计划定期测评市场主流 Agent 产品，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，及其对 AI 落地的实际经济价值的关联，评估任务由对应领域的专家结合实际业务需求设定，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，研究者表示 xbench 针对各种商业领域设计评估任务，以此测试 AI 技术能力上限，以及简单工具调用能力。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），再由大学教授将评估任务转化为评估指标，题目开始上升，红杉中国开始对主流模型进行月度评测和内部汇报，点击菜单栏「收件箱」查看。

③ 此外，同样对 LLM-based Agent 在现实工作任务、通过该流程使基准与生产力价值之间建立强相关性。而是重点量化 AI 系统在真实场景的效用价值。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

② 伴随模型能力演进，关注「机器之心PRO会员」服务号，

]article_adlist-->质疑测评题目难度不断升高的意义，

② 长青评估机制通过持续维护并动态更新测试内容，

1、法律、其双轨测评体系强调了不再单纯执着于测评问题的难度， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，并在同期的博文中介绍了该项目的由来和更新过程。前往「收件箱」查看完整解读