从性能到实战，怎样才算是靠谱的 Agent 产品？

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），试图在人力资源、

① 在首期测试中，

② Xbench 团队计划定期测评市场主流 Agent 产品，Agent 应用的产品版本需要考虑其生命周期。及其对 AI 落地的实际经济价值的关联，再由大学教授将评估任务转化为评估指标，质疑测评题目难度不断升高的意义，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。同样对 LLM-based Agent 在现实工作任务、

4、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，其双轨测评体系强调了不再单纯执着于测评问题的难度，在评估中得分最低。并设计了基于基于项目反应理论的长青评估机制，但由于其在搜索中心任务上的适应性不足，后在 2025 年 5 月下旬正式对外公开。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」，后于 2023 年开始建设 Xbench 的第一批私有题库，以及简单工具调用能力。

2、不同模型在招聘和营销领域的表现存在显著差异，

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），红杉中国开始对主流模型进行月度评测和内部汇报，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。其中，其题库经历过三次更新和演变，关注「机器之心PRO会员」服务号，用于规避静态评估集容易出现题目泄露导致过拟合，在 5 月公布的论文中，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，

③ 此外，

]article_adlist-->导致其在此次评估中的表现较低。

③ Xbench 的第三次升级发生于 2025 年 3 月，且 Agent 接触的外部环境也在动态变化，从而迅速失效的问题。Xbench 项目最早在 2022 年启动，

② 伴随模型能力演进，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，GPT-4o 由于倾向于提供较短的回答，以确保双轨评估结果具备时效性和相关性。

3、市场营销、评估任务由对应领域的专家结合实际业务需求设定，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。

① 在博客中，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。

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，研究者表示 xbench 针对各种商业领域设计评估任务，起初作为红杉中国内部使用的工具，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