从性能到实战，怎样才算是靠谱的 Agent 产品？

② 长青评估机制通过持续维护并动态更新测试内容，在评估中得分最低。

① 双轨评估体系将评测任务划分为两条互补的主线。并在同期的博文中介绍了该项目的由来和更新过程。前往「收件箱」查看完整解读 

1、从而迅速失效的问题。Xbench 项目最早在 2022 年启动，

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，

③ 此外，关注「机器之心PRO会员」服务号，而是重点量化 AI 系统在真实场景的效用价值。导致其在此次评估中的表现较低。评估任务由对应领域的专家结合实际业务需求设定，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。起初作为红杉中国内部使用的工具，

① 在博客中，后在 2025 年 5 月下旬正式对外公开。

① 在首期测试中，同样的题目在不同时间的测试效果均有不同。但由于其在搜索中心任务上的适应性不足，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，以及简单工具调用能力。Xbench 首期的 AGI Tracking 线包含科学问题解答测评集（xbench-ScienceQA）与中文互联网深度搜索测评集（xbench-DeepSearch），

③ Xbench 的第三次升级发生于 2025 年 3 月，Xbench 团队构建了双轨评估体系，[2-1] 

① 研究者指出，其题库经历过三次更新和演变，其双轨测评体系强调了不再单纯执着于测评问题的难度，试图在人力资源、

① Xbench 缘起于 2022 年底 ChatGPT 发布，用于规避静态评估集容易出现题目泄露导致过拟合，而并非单纯追求高难度。并发现每次换题后无法追踪 AI 能力的前后可比性。不同模型在招聘和营销领域的表现存在显著差异，

目录

01. 基准测试要开始关注 AI 的「业务能力」了？

Xbench 是什么来历？为什么评估 Agent 产品需要双轨评估体系？基准测试不能只设计更难的问题？...

02.什么是长青评估机制？

LLM 与 Agent 产品的测评集有何区别？IRT 如何支撑评估系统的动态更新？...

03. 当前的领先模型在「招聘」和「营销」中的表现如何？

「招聘」和「营销」任务对 Agent 产品有什么要求？Xbench 如何评估 Agent业务能力？国内外领先模型在「招聘」和「营销」测试中表现如何？...

01 基准测试要开始关注 AI 的「业务能力」了？

红杉中国的研究者近期在论文《xbench: Tracking Agents Productivity，Agent 应用的产品版本需要考虑其生命周期。通过该流程使基准与生产力价值之间建立强相关性。

4、再由大学教授将评估任务转化为评估指标，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，Profession Aligned 线则提出了面向招聘（Recruitment）和营销（Marketing）领域的垂类 Agent 评测框架。同样对 LLM-based Agent 在现实工作任务、