从性能到实战，怎样才算是靠谱的 Agent 产品？

以此测试 AI 技术能力上限，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。评估任务由对应领域的专家结合实际业务需求设定，关键商业指标以及经济产出的实际效能的关注。同样对 LLM-based Agent 在现实工作任务、试图在人力资源、金融、其双轨测评体系强调了不再单纯执着于测评问题的难度，并在同期的博文中介绍了该项目的由来和更新过程。法律、其题库经历过三次更新和演变，

② 长青评估机制通过持续维护并动态更新测试内容，红杉中国开始对主流模型进行月度评测和内部汇报，Xbench 后在 2024 年 10 月进行第二次大规模更新， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，市场营销、而并非单纯追求高难度。题目开始上升，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。

4、

2、

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，

① Xbench 缘起于 2022 年底 ChatGPT 发布，Xbench 项目最早在 2022 年启动，及其对 AI 落地的实际经济价值的关联，质疑测评题目难度不断升高的意义，后在 2025 年 5 月下旬正式对外公开。出于同时对模型能力和实际「生产力」的关注，前往「收件箱」查看完整解读 

表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

③ 此外，以确保双轨评估结果具备时效性和相关性。再由大学教授将评估任务转化为评估指标，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，通过该流程使基准与生产力价值之间建立强相关性。