从性能到实战，怎样才算是靠谱的 Agent 产品？

评估任务由对应领域的专家结合实际业务需求设定，

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，研究者表示 xbench 针对各种商业领域设计评估任务，导致其在此次评估中的表现较低。

② 伴随模型能力演进，质疑测评题目难度不断升高的意义，及其对 AI 落地的实际经济价值的关联，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），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。并设计了基于基于项目反应理论的长青评估机制，Agent 应用的产品版本需要考虑其生命周期。

3、在 5 月公布的论文中，Xbench 项目最早在 2022 年启动，

2、

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，当下的 Agent 产品迭代速率很快，前往「收件箱」查看完整解读 

① 在首期测试中，Xbench 团队构建了双轨评估体系，[2-1] 

① 研究者指出，其双轨测评体系强调了不再单纯执着于测评问题的难度，同样对 LLM-based Agent 在现实工作任务、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，