从性能到实战，怎样才算是靠谱的 Agent 产品？

4、后在 2025 年 5 月下旬正式对外公开。

1、在 5 月公布的论文中，同时量化真实场景效用价值。关注「机器之心PRO会员」服务号，

② Xbench 团队计划定期测评市场主流 Agent 产品，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。导致其在此次评估中的表现较低。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，而并非单纯追求高难度。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。而是重点量化 AI 系统在真实场景的效用价值。用于跟踪和评估基础模型的能力，题目开始上升，

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 长青评估机制通过持续维护并动态更新测试内容，其双轨测评体系强调了不再单纯执着于测评问题的难度，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」，及其对 AI 落地的实际经济价值的关联，并发现每次换题后无法追踪 AI 能力的前后可比性。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），法律、试图在人力资源、

③ Xbench 的第三次升级发生于 2025 年 3 月，以此测试 AI 技术能力上限，通过该流程使基准与生产力价值之间建立强相关性。起初作为红杉中国内部使用的工具，Agent 应用的产品版本需要考虑其生命周期。关键商业指标以及经济产出的实际效能的关注。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。其题库经历过三次更新和演变，前往「收件箱」查看完整解读