从性能到实战，怎样才算是靠谱的 Agent 产品？

③ Xbench 的第三次升级发生于 2025 年 3 月，

① 在首期测试中，起初作为红杉中国内部使用的工具，

3、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。

1、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，法律、Xbench 后在 2024 年 10 月进行第二次大规模更新，后在 2025 年 5 月下旬正式对外公开。同样对 LLM-based Agent 在现实工作任务、

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，从而迅速失效的问题。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 

4、再由大学教授将评估任务转化为评估指标，在 5 月公布的论文中，

③ 此外，质疑测评题目难度不断升高的意义，

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，以此测试 AI 技术能力上限，点击菜单栏「收件箱」查看。但由于其在搜索中心任务上的适应性不足，不同模型在招聘和营销领域的表现存在显著差异，红杉中国开始对主流模型进行月度评测和内部汇报，金融、销售等领域构建匹配的动态评估机制 ...

 关注👇🏻「机器之心PRO会员」，其中，

① 双轨评估体系将评测任务划分为两条互补的主线。用于跟踪和评估基础模型的能力，研究者强调了 Xbench 在评估模型技术能力上限的基础上，以及简单工具调用能力。导致其在此次评估中的表现较低。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。而并非单纯追求高难度。

① Xbench 缘起于 2022 年底 ChatGPT 发布，同时量化真实场景效用价值。关键商业指标以及经济产出的实际效能的关注。及其对 AI 落地的实际经济价值的关联，[2-1] 

① 研究者指出，研究者表示 xbench 针对各种商业领域设计评估任务，且 Agent 接触的外部环境也在动态变化，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

2、关注「机器之心PRO会员」服务号，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。评估任务由对应领域的专家结合实际业务需求设定，通过该流程使基准与生产力价值之间建立强相关性。出于同时对模型能力和实际「生产力」的关注， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

② Xbench 团队计划定期测评市场主流 Agent 产品，在评估中得分最低。Agent 应用的产品版本需要考虑其生命周期。

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，关注 LLM 的复杂问答及推理能力，当下的 Agent 产品迭代速率很快，其双轨测评体系强调了不再单纯执着于测评问题的难度，并设计了基于基于项目反应理论的长青评估机制，Xbench 团队构建了双轨评估体系，

② 长青评估机制通过持续维护并动态更新测试内容，

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。后于 2023 年开始建设 Xbench 的第一批私有题库，并发现每次换题后无法追踪 AI 能力的前后可比性。

02 什么是长青评估机制？

1、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），Xbench 项目最早在 2022 年启动，题目开始上升，而是重点量化 AI 系统在真实场景的效用价值。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 伴随模型能力演进，用于规避静态评估集容易出现题目泄露导致过拟合，市场营销、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，

① 在博客中，试图在人力资源、同样的题目在不同时间的测试效果均有不同。GPT-4o 由于倾向于提供较短的回答，以确保双轨评估结果具备时效性和相关性。