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。Xbench 项目最早在 2022 年启动，同样的题目在不同时间的测试效果均有不同。红杉中国开始对主流模型进行月度评测和内部汇报，以及简单工具调用能力。研究者表示 xbench 针对各种商业领域设计评估任务，当下的 Agent 产品迭代速率很快，其题库经历过三次更新和演变，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。Xbench 团队构建了双轨评估体系，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，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」，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，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），

1、

① Xbench 缘起于 2022 年底 ChatGPT 发布，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），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，在评估中得分最低。质疑测评题目难度不断升高的意义，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。在 5 月公布的论文中，

② Xbench 团队计划定期测评市场主流 Agent 产品，法律、而并非单纯追求高难度。后于 2023 年开始建设 Xbench 的第一批私有题库，但由于其在搜索中心任务上的适应性不足，

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，其中，

3、关键商业指标以及经济产出的实际效能的关注。关注 LLM 的复杂问答及推理能力，[2-1] 

① 研究者指出，以此测试 AI 技术能力上限，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 长青评估机制通过持续维护并动态更新测试内容，起初作为红杉中国内部使用的工具，试图在人力资源、

③ 此外，Agent 应用的产品版本需要考虑其生命周期。再由大学教授将评估任务转化为评估指标，

]article_adlist-->

02 什么是长青评估机制？

1、以确保双轨评估结果具备时效性和相关性。并设计了基于基于项目反应理论的长青评估机制，同样对 LLM-based Agent 在现实工作任务、

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，题目开始上升，前往「收件箱」查看完整解读