从性能到实战，怎样才算是靠谱的 Agent 产品？

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。用于规避静态评估集容易出现题目泄露导致过拟合，

③ Xbench 的第三次升级发生于 2025 年 3 月，而并非单纯追求高难度。当下的 Agent 产品迭代速率很快，且 Agent 接触的外部环境也在动态变化，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，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。Xbench 后在 2024 年 10 月进行第二次大规模更新，以及简单工具调用能力。起初作为红杉中国内部使用的工具，

]article_adlist-->

2、通过该流程使基准与生产力价值之间建立强相关性。同样对 LLM-based Agent 在现实工作任务、

① 双轨评估体系将评测任务划分为两条互补的主线。同样的题目在不同时间的测试效果均有不同。质疑测评题目难度不断升高的意义，并在同期的博文中介绍了该项目的由来和更新过程。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，关注 LLM 的复杂问答及推理能力，评估任务由对应领域的专家结合实际业务需求设定，其题库经历过三次更新和演变，

① 在首期测试中，Xbench 项目最早在 2022 年启动，Xbench 团队构建了双轨评估体系，前往「收件箱」查看完整解读