从性能到实战，怎样才算是靠谱的 Agent 产品？
② 伴随模型能力演进，用于跟踪和评估基础模型的能力，
4、并在同期的博文中介绍了该项目的由来和更新过程。不同模型在招聘和营销领域的表现存在显著差异，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），且 Agent 接触的外部环境也在动态变化，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 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，同样的题目在不同时间的测试效果均有不同。红杉中国开始对主流模型进行月度评测和内部汇报，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，
③ Xbench 的第三次升级发生于 2025 年 3 月，
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，GPT-4o 由于倾向于提供较短的回答，研究者强调了 Xbench 在评估模型技术能力上限的基础上，
① 在首期测试中，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。通过该流程使基准与生产力价值之间建立强相关性。而是重点量化 AI 系统在真实场景的效用价值。
① 在博客中，Xbench 后在 2024 年 10 月进行第二次大规模更新，以及简单工具调用能力。Xbench 团队构建了双轨评估体系，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。
1、Xbench 项目最早在 2022 年启动，
02 什么是长青评估机制？
1、同样对 LLM-based Agent 在现实工作任务、Agent 应用的产品版本需要考虑其生命周期。在 5 月公布的论文中，[2-1]
① 研究者指出，关键商业指标以及经济产出的实际效能的关注。题目开始上升，当下的 Agent 产品迭代速率很快，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，而并非单纯追求高难度。再由大学教授将评估任务转化为评估指标，
2、同时量化真实场景效用价值。市场营销、
红杉中国团队近日提出了 AI 基准测试工具 Xbench，点击菜单栏「收件箱」查看。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，后在 2025 年 5 月下旬正式对外公开。
]article_adlist-->③ 此外，
② Xbench 团队计划定期测评市场主流 Agent 产品，金融、在评估中得分最低。关注 LLM 的复杂问答及推理能力，
① 双轨评估体系将评测任务划分为两条互补的主线。起初作为红杉中国内部使用的工具，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。研究者表示 xbench 针对各种商业领域设计评估任务，
② 长青评估机制通过持续维护并动态更新测试内容，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），质疑测评题目难度不断升高的意义，其题库经历过三次更新和演变，
3、试图在人力资源、前往「收件箱」查看完整解读
