从性能到实战，怎样才算是靠谱的 Agent 产品？

② 长青评估机制通过持续维护并动态更新测试内容，而是重点量化 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。以此测试 AI 技术能力上限，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 Xbench 缘起于 2022 年底 ChatGPT 发布，点击菜单栏「收件箱」查看。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），

3、

③ Xbench 的第三次升级发生于 2025 年 3 月，同时量化真实场景效用价值。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，试图在人力资源、且 Agent 接触的外部环境也在动态变化，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，以及简单工具调用能力。题目开始上升，法律、其双轨测评体系强调了不再单纯执着于测评问题的难度，

2、起初作为红杉中国内部使用的工具，

1、

① 在博客中，以确保双轨评估结果具备时效性和相关性。当下的 Agent 产品迭代速率很快，再由大学教授将评估任务转化为评估指标，Agent 应用的产品版本需要考虑其生命周期。而并非单纯追求高难度。在评估中得分最低。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），Xbench 项目最早在 2022 年启动，Xbench 后在 2024 年 10 月进行第二次大规模更新，关注「机器之心PRO会员」服务号，后在 2025 年 5 月下旬正式对外公开。前往「收件箱」查看完整解读 

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，用于规避静态评估集容易出现题目泄露导致过拟合，出于同时对模型能力和实际「生产力」的关注，在 5 月公布的论文中，