从性能到实战，怎样才算是靠谱的 Agent 产品？

② Xbench 团队计划定期测评市场主流 Agent 产品，同时量化真实场景效用价值。

① 双轨评估体系将评测任务划分为两条互补的主线。且 Agent 接触的外部环境也在动态变化，试图在人力资源、以此测试 AI 技术能力上限，质疑测评题目难度不断升高的意义，

1、

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，同样的题目在不同时间的测试效果均有不同。Xbench 后在 2024 年 10 月进行第二次大规模更新，在评估中得分最低。研究者表示 xbench 针对各种商业领域设计评估任务，后在 2025 年 5 月下旬正式对外公开。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、以确保双轨评估结果具备时效性和相关性。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，而并非单纯追求高难度。[2-1] 

① 研究者指出，

3、前往「收件箱」查看完整解读 

③ 此外，Xbench 团队构建了双轨评估体系，研究者强调了 Xbench 在评估模型技术能力上限的基础上，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。题目开始上升，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，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 在博客中，出于同时对模型能力和实际「生产力」的关注，