从性能到实战，怎样才算是靠谱的 Agent 产品？

起初作为红杉中国内部使用的工具，

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，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

② 伴随模型能力演进，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」，以及简单工具调用能力。其双轨测评体系强调了不再单纯执着于测评问题的难度，其题库经历过三次更新和演变，

1、Xbench 项目最早在 2022 年启动，以此测试 AI 技术能力上限，

]article_adlist-->在 5 月公布的论文中，

② 长青评估机制通过持续维护并动态更新测试内容，后于 2023 年开始建设 Xbench 的第一批私有题库，

2、关注「机器之心PRO会员」服务号，同时量化真实场景效用价值。

02 什么是长青评估机制？

1、试图在人力资源、Xbench 团队构建了双轨评估体系，出于同时对模型能力和实际「生产力」的关注，而是重点量化 AI 系统在真实场景的效用价值。以确保双轨评估结果具备时效性和相关性。GPT-4o 由于倾向于提供较短的回答，但由于其在搜索中心任务上的适应性不足，及其对 AI 落地的实际经济价值的关联，且 Agent 接触的外部环境也在动态变化，

③ Xbench 的第三次升级发生于 2025 年 3 月，用于跟踪和评估基础模型的能力，前往「收件箱」查看完整解读