最近，紅杉中國 xbench 在行業里有不少動作，連發兩篇Agent有關的論文。

老朋友應該都知道，xbench是紅杉中國推出的一款AI基準測試，用來量化AI系統在真實場景的效用價值，采用的是長青評估機制。

xbench想在市面上魚龍混雜的“刷榜”、“野榜”、“紙面數據”之外，建立起一套評價標準，更好地衡量 AI 模型在真實業務場景中，解決復雜問題的能力。

印象中的投資機構，親自下場參與模型能力測評以及技術標準定義的，不算多。
而在AI新技術范式影響下的VC，似乎已經有了新的組織形態，以及在新組織形態上長出來的技術理解和成果。
記得xbench剛發布的時候，我的理解還停留在大模型測評集的階段，感覺是投資人為了追求更精準的判斷力，主動打造的一手實驗數據。
現在再看，紅杉中國對AI模型能力邊界和Agent發展路線的理解，不亞于一線的技術型公司。

所以，別以為投資人不懂技術、很好忽悠了。
我甚至有種恐慌，也許有一天，頭部基金，用Venture Studio等形式，親自下場做產品也很正常。
聽說已經有了。
難道下一個字節跳動，會是投資人在投資機構里，自己vibe coding出來的嗎？
說不定真的有可能。

https://xbench.org/

具體說說這兩篇論文是咋回事。

上周，xbench 聯合 UniPat AI 發布了 BabyVision，一個專注于純視覺理解能力的評測集。

它討論的主題很明確：在世界模型和視覺多模態這條路上，模型的潛力遠沒有被完全釋放。

那套評測并不急著給模型打分，更像是在提醒行業，未來的能力增長，很可能來自對真實世界結構的重新理解。

這一周，xbench 又向前推了一步。

這一次，關注點從「看懂世界」轉向了「把一天過完」。

https://xbench.org/agi/agentif

AgentIF-OneDay 的出現，標志著 Agent 評測從短時、單點、封閉任務，正式進入長時、復雜、全場景的現實尺度。

它試圖回答一個簡單又殘酷的問題：如果把人類一天的任務量完整交給一個 Agent，它能否在沒有人工介入的情況下，把事情真正做完。

在當前的行業語境下，這個問題比任何排行榜都更重要。

01.當單點能力接近 PhD，Agent 的短板開始暴露

過去一年，大模型在單點推理任務上的進步已經非常明顯。

無論數學、代碼，還是知識密集型問答，分鐘級任務的完成質量已經逼近人類高水平專家。

ScienceQA、DeepSearch 這類評測的多次升級，也不斷拉高著模型的上限。

問題出現在時間被拉長之后。

一旦任務復雜度超過普通人一小時可以處理的范圍，Agent 的整體完成度會出現明顯下滑。

這種下滑并不體現在某個步驟做錯，而是體現在全過程的失控：上下文斷裂、中間目標丟失、工具調用前后不一致、隱含約束被忽略，最終導致任務在形式上完成，實質上失敗。

這道鴻溝的存在，讓「Agent 已經很強」與「Agent 還不能真正替你工作」這兩種判斷同時成立。

xbench 在這一階段選擇引入 AgentIF-OneDay，本質上是一次尺度的重構。

評測的核心不再是模型知道多少知識，也不只是能否完成某個高難度推理點，而是把注意力轉向一個更貼近現實的問題：完成一個任務，需要消耗多少人類時間，這個時間背后，對應著怎樣的經濟價值。

02.用「人類一天」重新定義 Agent 的能力邊界

AgentIF-OneDay 背后的一個關鍵判斷，是將任務復雜度與知識深度解耦。

在傳統評測中，復雜度往往意味著推理鏈更長、知識點更冷門、邏輯結構更精巧。

但在真實工作中，復雜度更多來自時間和協同成本。一個任務并不一定難，卻可能極其耗時，需要反復確認信息、切換工具、處理格式、校驗結果，還要在過程中持續保持目標一致。

xbench 提出了兩個決定 Agent 能力上限的軸線：scaling context 與 scaling domain。

前者關注時間維度。

Agent 是否能在更長的執行周期中維護上下文狀態，記住中間結果，遵守先前的約束，在多步驟、多工具的交互中保持一致性。

從分鐘級，到小時級，再到一天級，這是一個對穩定性和記憶管理要求極高的過程。

后者關注任務分布。

現實世界的工作很少是單一領域的連續推理，而是跨 domain、跨格式、跨語境的混合任務。

目標表述往往不完整，約束隱藏在附件里，評估標準隨場景變化。

Agent 能否覆蓋更廣泛的任務類型，決定了它是否具備真正的通用性。

AgentIF-OneDay 正是沿著這兩條軸線展開設計。它把評測的時間尺度推進到 OneDay，同時覆蓋生活、學習與職業等多個高頻場景，試圖描繪出當前 Agent 在真實世界任務分布中的能力輪廓。

03.把一天拆開，工作流、范例與迭代才是真實世界

在構造評測任務之前，xbench 分析了大量用戶的真實工作日志。

一個有意思的發現是，具體內容千差萬別，但任務結構高度穩定。

大多數人的一天，可以被抽象為三種類型。

第一類是工作流執行。

用戶清楚知道該做什么，步驟明確，難點集中在執行的繁瑣性和信息校驗上。

以 NeurIPS 行程規劃為例，Agent 需要跨站點核驗信息、收集時間節點、判斷日程是否發布，再給出不同優化目標下的方案。

這類任務考驗的不是創造力，而是耐心、準確性和流程一致性。

第二類是范例參考。

用戶無法完整描述規則，只能提供示例或附件。換手機套餐的例子中，Agent 需要從文件中推斷隱含條件，在顯式指令與隱式約束之間做出平衡。

這是人類日常工作中最常見的模式，也是 Agent 走向內容生產、報告生成等職業型任務的前提。

第三類是迭代式編輯。

需求在過程中不斷變化，約束逐步顯現，解法并不預先存在。

更新會場布局的任務，要求 Agent 在多輪修改中保持上下文一致，同時遵守來自不同文件的硬性條件。這類任務對狀態管理和長期一致性的要求極高。

AgentIF-OneDay 的 104 道任務，正是圍繞這三種結構展開。

文件驅動的合成任務覆蓋了 PDF、PPT、Excel、圖像、代碼等 15 種以上格式，模擬的正是現實工作中極為常見的跨來源、跨工具流程。

04.當評分變得細碎，Agent 的失誤也無處可藏

為了避免「結果對了就算贏」的粗糙判斷，AgentIF-OneDay 為每道任務設計了細粒度的評分標準，總計 767 個評分點。

這些評分點既包含正向指標，也包含負向指標。

格式是否一致、結構是否復現、步驟是否完整，會被逐一檢查；誤刪內容、越界生成、錯誤操作，同樣會被明確扣分。

評測系統采用 LLM 作為裁判，并結合網頁檢索、HTML 渲染、多模態比對等自動校驗方式，盡量減少主觀偏差。

在這套機制下，Agent 的得分不只取決于有沒有完成任務，更取決于過程是否干凈，是否正確解析附件，是否在迭代中保持一致。

評測結果也呈現出一些值得玩味的現象。

從整體任務成功率來看，Manus、Genspark 與 ChatGPT-Agent 集中在 0.62–0.65 區間，構成第一梯隊。

不同技術路線的 Agent，在真實任務鏈上的體感差異并沒有拉開數量級。

這在一定程度上印證了模型能力的重要性，在不引入 test-time scaling 的前提下，多智能體框架本身很難制造巨大差距。

從任務領域看，ChatGPT-Agent 更偏向專業生產力，Manus 在生活助手場景表現突出，Genspark 更適合學習型任務。

不同產品的迭代方向，決定了各自的長項與短板。

從能力維度看，Genspark 在隱式指令推斷上表現最佳，Manus 在開放工作流執行中更穩定，Minimax-Agent 在迭代式編輯中優勢明顯。

隱式結構理解依然是當前 Agent 普遍的薄弱環節，尤其是在格式遷移和規則抽取任務中，完整正確的案例仍然罕見。

這些結果共同指向一個結論：穩定性、文件處理鏈路、隱式結構理解能力，以及跨工具的狀態管理，才是決定 Agent 能否承擔一天工作量的關鍵。

05.從OneDay到OneWeek，Agent的下一道門檻

在 AgentIF-OneDay 之后，xbench 已經開始構建 OneWeek 級別的評測集。

一周尺度的任務，帶來的挑戰并不僅僅是時間更長。

隨著跨度增加，任務往往會自然嵌入具體行業語境，金融、醫療、法律等高價值場景的數據獲取成本顯著上升，rubric 的設計也會變得更加嚴格。

在這一階段，依賴靜態數據集和離線評測的方式開始顯露局限性。

Agent 要想進一步提升，很難只靠訓練時吃下更多人類知識，而需要在實際運行中不斷修正行為。這也是近期 online learning 討論升溫的背景。

如果把長程 Agent 的發展類比自動駕駛，那么當前階段更接近有限路段的輔助駕駛。

真正的 FSD 時刻，依賴于大量真實場景數據的積累。用戶數據帶來的場景多樣性，是系統泛化能力的關鍵來源。

在 Agent 領域，同樣的邏輯正在顯現。誰能率先建立高質量的數據飛輪，誰就更有可能率先交付可靠的長程 Agent。

當 Agent 能夠在一周尺度上穩定產出，它才真正具備進入組織、承擔崗位、創造持續經濟價值的資格。

AgentIF-OneDay 的意義，正在于此。

它并不宣告某個系統已經足夠成熟，而是清晰地標出了下一段路的難度與方向。

最后，強烈大家去看看論文原文！

以及去紅杉中國xbench的官網去看看，上面有各種各樣的打分和排名，還有些好玩的小東西！

https://xbench.org/

AI一年，人間十年。

連投資人都這么努力，我們也多看些論文吧……

Paper Link:

https://github.com/xbench-ai/AgentIF-OneDay/blob/main/paper/AgentIF_OneDay_0117.pdf

website:

https://xbench.org/

github:

https://github.com/xbench-ai/AgentIF-OneDay

huggingface:

https://huggingface.co/datasets/xbench/AgentIF-OneDay