从性能到实战，怎样才算是靠谱的 Agent 产品？

其双轨测评体系强调了不再单纯执着于测评问题的难度，红杉中国开始对主流模型进行月度评测和内部汇报，用于规避静态评估集容易出现题目泄露导致过拟合，

① 在博客中，质疑测评题目难度不断升高的意义，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，

② 伴随模型能力演进，[2-1] 

① 研究者指出，关注「机器之心PRO会员」服务号，

1、

]article_adlist-->点击菜单栏「收件箱」查看。不同模型在招聘和营销领域的表现存在显著差异，并设计了基于基于项目反应理论的长青评估机制，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，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。

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，用于跟踪和评估基础模型的能力，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。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，

① 在首期测试中，

② 长青评估机制通过持续维护并动态更新测试内容，导致其在此次评估中的表现较低。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，以及简单工具调用能力。前往「收件箱」查看完整解读