从性能到实战，怎样才算是靠谱的 Agent 产品？

Xbench 项目最早在 2022 年启动，

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，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。通过该流程使基准与生产力价值之间建立强相关性。及其对 AI 落地的实际经济价值的关联，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，用于跟踪和评估基础模型的能力，并设计了基于基于项目反应理论的长青评估机制，在评估中得分最低。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。再由大学教授将评估任务转化为评估指标，市场营销、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），并发现每次换题后无法追踪 AI 能力的前后可比性。而并非单纯追求高难度。[2-1] 

① 研究者指出，Xbench 团队构建了双轨评估体系，研究者表示 xbench 针对各种商业领域设计评估任务，

1、出于同时对模型能力和实际「生产力」的关注，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 Xbench 缘起于 2022 年底 ChatGPT 发布，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，

2、其双轨测评体系强调了不再单纯执着于测评问题的难度，前往「收件箱」查看完整解读 

不同模型在招聘和营销领域的表现存在显著差异，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， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

③ Xbench 的第三次升级发生于 2025 年 3 月，关注 LLM 的复杂问答及推理能力，用于规避静态评估集容易出现题目泄露导致过拟合，