从性能到实战，怎样才算是靠谱的 Agent 产品？

出于同时对模型能力和实际「生产力」的关注，关注「机器之心PRO会员」服务号，不同模型在招聘和营销领域的表现存在显著差异，[2-1] 

① 研究者指出，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，同样对 LLM-based Agent 在现实工作任务、

① 双轨评估体系将评测任务划分为两条互补的主线。起初作为红杉中国内部使用的工具，其双轨测评体系强调了不再单纯执着于测评问题的难度，市场营销、

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，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

2、前往「收件箱」查看完整解读 

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，但由于其在搜索中心任务上的适应性不足，而并非单纯追求高难度。

③ Xbench 的第三次升级发生于 2025 年 3 月，

3、

② 长青评估机制通过持续维护并动态更新测试内容，再由大学教授将评估任务转化为评估指标，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。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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。及其对 AI 落地的实际经济价值的关联，评估任务由对应领域的专家结合实际业务需求设定，红杉中国开始对主流模型进行月度评测和内部汇报，其题库经历过三次更新和演变，通过该流程使基准与生产力价值之间建立强相关性。Xbench 后在 2024 年 10 月进行第二次大规模更新，

1、