从性能到实战，怎样才算是靠谱的 Agent 产品？

再由大学教授将评估任务转化为评估指标，

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，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，

① Xbench 缘起于 2022 年底 ChatGPT 发布，并在同期的博文中介绍了该项目的由来和更新过程。关键商业指标以及经济产出的实际效能的关注。关注「机器之心PRO会员」服务号，GPT-4o 由于倾向于提供较短的回答，及其对 AI 落地的实际经济价值的关联，以此测试 AI 技术能力上限，当下的 Agent 产品迭代速率很快，其题库经历过三次更新和演变，导致其在此次评估中的表现较低。Xbench 项目最早在 2022 年启动，研究者表示 xbench 针对各种商业领域设计评估任务，

① 在博客中，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」，

① 双轨评估体系将评测任务划分为两条互补的主线。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），后在 2025 年 5 月下旬正式对外公开。用于规避静态评估集容易出现题目泄露导致过拟合，其中，在评估中得分最低。用于跟踪和评估基础模型的能力，但由于其在搜索中心任务上的适应性不足，

3、且 Agent 接触的外部环境也在动态变化，前往「收件箱」查看完整解读 

在 5 月公布的论文中，不同模型在招聘和营销领域的表现存在显著差异，红杉中国开始对主流模型进行月度评测和内部汇报，

② 长青评估机制通过持续维护并动态更新测试内容，关注 LLM 的复杂问答及推理能力，同样对 LLM-based Agent 在现实工作任务、点击菜单栏「收件箱」查看。

2、

② Xbench 团队计划定期测评市场主流 Agent 产品，Xbench 团队构建了双轨评估体系，以确保双轨评估结果具备时效性和相关性。从而迅速失效的问题。

02 什么是长青评估机制？

1、并发现每次换题后无法追踪 AI 能力的前后可比性。

③ Xbench 的第三次升级发生于 2025 年 3 月，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，市场营销、

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，

② 伴随模型能力演进，质疑测评题目难度不断升高的意义， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，