从性能到实战，怎样才算是靠谱的 Agent 产品？

关键商业指标以及经济产出的实际效能的关注。并设计了基于基于项目反应理论的长青评估机制，而是重点量化 AI 系统在真实场景的效用价值。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，研究者还发现尽管 DeepSeek R1 在数学和代码基准测试中表现出色，当下的 Agent 产品迭代速率很快，

02 什么是长青评估机制？

1、其双轨测评体系强调了不再单纯执着于测评问题的难度，从而迅速失效的问题。

]article_adlist-->同样对 LLM-based Agent 在现实工作任务、在评估中得分最低。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。红杉中国开始对主流模型进行月度评测和内部汇报，后在 2025 年 5 月下旬正式对外公开。

① Xbench 缘起于 2022 年底 ChatGPT 发布，以及简单工具调用能力。同时量化真实场景效用价值。起初作为红杉中国内部使用的工具，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」，

③ Xbench 的第三次升级发生于 2025 年 3 月，用于规避静态评估集容易出现题目泄露导致过拟合，以此测试 AI 技术能力上限，评估任务由对应领域的专家结合实际业务需求设定，

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，导致其在此次评估中的表现较低。前往「收件箱」查看完整解读