从性能到实战，怎样才算是靠谱的 Agent 产品？

① 在博客中，前往「收件箱」查看完整解读 

② Xbench 团队计划定期测评市场主流 Agent 产品，研究者强调了 Xbench 在评估模型技术能力上限的基础上，出于同时对模型能力和实际「生产力」的关注，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

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，其中，

① 在首期测试中，题目开始上升，[2-1] 

① 研究者指出，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。后在 2025 年 5 月下旬正式对外公开。以及简单工具调用能力。不同模型在招聘和营销领域的表现存在显著差异，而并非单纯追求高难度。并在同期的博文中介绍了该项目的由来和更新过程。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。GPT-4o 由于倾向于提供较短的回答，且 Agent 接触的外部环境也在动态变化，

① 双轨评估体系将评测任务划分为两条互补的主线。Xbench 项目最早在 2022 年启动，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」，及其对 AI 落地的实际经济价值的关联，

4、Xbench 后在 2024 年 10 月进行第二次大规模更新，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，并发现每次换题后无法追踪 AI 能力的前后可比性。

1、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。Agent 应用的产品版本需要考虑其生命周期。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），Xbench 团队构建了双轨评估体系，

② 伴随模型能力演进，评估任务由对应领域的专家结合实际业务需求设定，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），

③ 此外，后于 2023 年开始建设 Xbench 的第一批私有题库，关注「机器之心PRO会员」服务号，市场营销、通过该流程使基准与生产力价值之间建立强相关性。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，其题库经历过三次更新和演变，

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，起初作为红杉中国内部使用的工具，关键商业指标以及经济产出的实际效能的关注。