从性能到实战，怎样才算是靠谱的 Agent 产品？

2、用于规避静态评估集容易出现题目泄露导致过拟合，同时量化真实场景效用价值。前往「收件箱」查看完整解读 

② 长青评估机制通过持续维护并动态更新测试内容，研究者表示 xbench 针对各种商业领域设计评估任务，

① Xbench 缘起于 2022 年底 ChatGPT 发布，后于 2023 年开始建设 Xbench 的第一批私有题库，评估任务由对应领域的专家结合实际业务需求设定，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。其题库经历过三次更新和演变，研究者强调了 Xbench 在评估模型技术能力上限的基础上，而是重点量化 AI 系统在真实场景的效用价值。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」，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），

① 在博客中，及其对 AI 落地的实际经济价值的关联，后在 2025 年 5 月下旬正式对外公开。

3、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。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，并发现每次换题后无法追踪 AI 能力的前后可比性。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，