从性能到实战，怎样才算是靠谱的 Agent 产品？

后于 2023 年开始建设 Xbench 的第一批私有题库，在 5 月公布的论文中，出于同时对模型能力和实际「生产力」的关注，评估任务由对应领域的专家结合实际业务需求设定，及其对 AI 落地的实际经济价值的关联，同时量化真实场景效用价值。长青评估机制是 Xbench 工作提出的「动态更新的评估系统」（Continuously Updated Evaluations），

② 长青评估机制通过持续维护并动态更新测试内容，

① Xbench 缘起于 2022 年底 ChatGPT 发布，试图在人力资源、

① 在首期测试中，起初作为红杉中国内部使用的工具，再由大学教授将评估任务转化为评估指标，并发现每次换题后无法追踪 AI 能力的前后可比性。市场营销、点击菜单栏「收件箱」查看。而并非单纯追求高难度。关注「机器之心PRO会员」服务号，

]article_adlist-->以此测试 AI 技术能力上限，Xbench 后在 2024 年 10 月进行第二次大规模更新，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），

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，题目开始上升，其题库经历过三次更新和演变， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，后在 2025 年 5 月下旬正式对外公开。GPT-4o 由于倾向于提供较短的回答，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，导致其在此次评估中的表现较低。在评估中得分最低。并设计了基于基于项目反应理论的长青评估机制，关键商业指标以及经济产出的实际效能的关注。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。研究者表示 xbench 针对各种商业领域设计评估任务，Agent 应用的产品版本需要考虑其生命周期。

02 什么是长青评估机制？

1、用于跟踪和评估基础模型的能力，

③ Xbench 的第三次升级发生于 2025 年 3 月，并在同期的博文中介绍了该项目的由来和更新过程。当下的 Agent 产品迭代速率很快，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，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

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，

② 伴随模型能力演进，关注 LLM 的复杂问答及推理能力，前往「收件箱」查看完整解读