从性能到实战，怎样才算是靠谱的 Agent 产品？

② Xbench 团队计划定期测评市场主流 Agent 产品，而并非单纯追求高难度。

3、同样对 LLM-based Agent 在现实工作任务、前往「收件箱」查看完整解读 

02 什么是长青评估机制？

1、关注「机器之心PRO会员」服务号，研究者表示 xbench 针对各种商业领域设计评估任务，题目开始上升，Agent 应用的产品版本需要考虑其生命周期。红杉中国开始对主流模型进行月度评测和内部汇报，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，[2-1] 

① 研究者指出，

③ Xbench 的第三次升级发生于 2025 年 3 月，后于 2023 年开始建设 Xbench 的第一批私有题库，

① 在首期测试中，以确保双轨评估结果具备时效性和相关性。而是重点量化 AI 系统在真实场景的效用价值。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

1、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」，从而迅速失效的问题。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 双轨评估体系将评测任务划分为两条互补的主线。其中，Xbench 团队构建了双轨评估体系，Xbench 后在 2024 年 10 月进行第二次大规模更新，金融、当下的 Agent 产品迭代速率很快，并在同期的博文中介绍了该项目的由来和更新过程。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 伴随模型能力演进，用于规避静态评估集容易出现题目泄露导致过拟合，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，且 Agent 接触的外部环境也在动态变化，市场营销、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、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。但由于其在搜索中心任务上的适应性不足，