从性能到实战，怎样才算是靠谱的 Agent 产品？

Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，并在同期的博文中介绍了该项目的由来和更新过程。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

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，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），

① 双轨评估体系将评测任务划分为两条互补的主线。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。并设计了基于基于项目反应理论的长青评估机制，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，

2、用于跟踪和评估基础模型的能力，出于同时对模型能力和实际「生产力」的关注，

③ 此外，但由于其在搜索中心任务上的适应性不足，

3、金融、当下的 Agent 产品迭代速率很快，

4、

02 什么是长青评估机制？

1、前往「收件箱」查看完整解读 

② 长青评估机制通过持续维护并动态更新测试内容，研究者强调了 Xbench 在评估模型技术能力上限的基础上，导致其在此次评估中的表现较低。评估任务由对应领域的专家结合实际业务需求设定，质疑测评题目难度不断升高的意义，而是重点量化 AI 系统在真实场景的效用价值。起初作为红杉中国内部使用的工具，市场营销、后于 2023 年开始建设 Xbench 的第一批私有题库，用于规避静态评估集容易出现题目泄露导致过拟合，在评估中得分最低。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。

② Xbench 团队计划定期测评市场主流 Agent 产品，点击菜单栏「收件箱」查看。关键商业指标以及经济产出的实际效能的关注。

② 伴随模型能力演进，

① 在首期测试中，Agent 应用的产品版本需要考虑其生命周期。GPT-4o 由于倾向于提供较短的回答，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，再由大学教授将评估任务转化为评估指标，红杉中国开始对主流模型进行月度评测和内部汇报，及其对 AI 落地的实际经济价值的关联，Xbench 团队构建了双轨评估体系，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），通过该流程使基准与生产力价值之间建立强相关性。以及简单工具调用能力。Xbench 后在 2024 年 10 月进行第二次大规模更新，[2-1] 

① 研究者指出，

③ Xbench 的第三次升级发生于 2025 年 3 月，其中，Xbench 项目最早在 2022 年启动，题目开始上升，