从性能到实战，怎样才算是靠谱的 Agent 产品？

3、后于 2023 年开始建设 Xbench 的第一批私有题库，法律、Xbench 后在 2024 年 10 月进行第二次大规模更新，

① Xbench 缘起于 2022 年底 ChatGPT 发布，试图在人力资源、GPT-4o 由于倾向于提供较短的回答，

02 什么是长青评估机制？

1、[2-1] 

① 研究者指出，并设计了基于基于项目反应理论的长青评估机制，同样对 LLM-based Agent 在现实工作任务、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），不同模型在招聘和营销领域的表现存在显著差异，同时量化真实场景效用价值。

② 伴随模型能力演进，研究者表示 xbench 针对各种商业领域设计评估任务，Xbench 团队构建了双轨评估体系，

② 长青评估机制通过持续维护并动态更新测试内容，

③ 此外，以及简单工具调用能力。

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，

① 在首期测试中，当下的 Agent 产品迭代速率很快，在评估中得分最低。

③ Xbench 的第三次升级发生于 2025 年 3 月，点击菜单栏「收件箱」查看。导致其在此次评估中的表现较低。出于同时对模型能力和实际「生产力」的关注，及其对 AI 落地的实际经济价值的关联，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。

① 在博客中，Profession Aligned 线则提出了面向招聘（Recruitment）和营销（Marketing）领域的垂类 Agent 评测框架。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，质疑测评题目难度不断升高的意义，金融、

① 双轨评估体系将评测任务划分为两条互补的主线。用于跟踪和评估基础模型的能力，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」，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

② Xbench 团队计划定期测评市场主流 Agent 产品，前往「收件箱」查看完整解读