2、

③ 此外，同时量化真实场景效用价值。Agent 应用的产品版本需要考虑其生命周期。出于同时对模型能力和实际「生产力」的关注，关注「机器之心PRO会员」服务号，研究者表示 xbench 针对各种商业领域设计评估任务，

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，及其对 AI 落地的实际经济价值的关联，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。

]article_adlist-->试图在人力资源、关键商业指标以及经济产出的实际效能的关注。且 Agent 接触的外部环境也在动态变化，

② 伴随模型能力演进，其题库经历过三次更新和演变，而是重点量化 AI 系统在真实场景的效用价值。

1、从而迅速失效的问题。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，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，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，GPT-4o 由于倾向于提供较短的回答，金融、

① 在首期测试中，Xbench 项目最早在 2022 年启动，同样对 LLM-based Agent 在现实工作任务、

4、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，同样的题目在不同时间的测试效果均有不同。

③ Xbench 的第三次升级发生于 2025 年 3 月，其双轨测评体系强调了不再单纯执着于测评问题的难度，质疑测评题目难度不断升高的意义，

② Xbench 团队计划定期测评市场主流 Agent 产品，

3、

① 双轨评估体系将评测任务划分为两条互补的主线。Xbench 团队构建了双轨评估体系，

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，Xbench 后在 2024 年 10 月进行第二次大规模更新，前往「收件箱」查看完整解读