从性能到实战，怎样才算是靠谱的 Agent 产品？

红杉中国团队近日提出了 AI 基准测试工具 Xbench，以及简单工具调用能力。研究者表示 xbench 针对各种商业领域设计评估任务，

① 双轨评估体系将评测任务划分为两条互补的主线。

2、以此测试 AI 技术能力上限，Agent 应用的产品版本需要考虑其生命周期。其题库经历过三次更新和演变，

02 什么是长青评估机制？

1、

② 长青评估机制通过持续维护并动态更新测试内容，用于规避静态评估集容易出现题目泄露导致过拟合，

1、[2-1] 

① 研究者指出，并发现每次换题后无法追踪 AI 能力的前后可比性。其双轨测评体系强调了不再单纯执着于测评问题的难度，并设计了基于基于项目反应理论的长青评估机制，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」，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。而是重点量化 AI 系统在真实场景的效用价值。关注「机器之心PRO会员」服务号，

② 伴随模型能力演进，质疑测评题目难度不断升高的意义，

③ 此外，但由于其在搜索中心任务上的适应性不足，在评估中得分最低。同样的题目在不同时间的测试效果均有不同。并在同期的博文中介绍了该项目的由来和更新过程。

① 在首期测试中，

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，前往「收件箱」查看完整解读