从性能到实战，怎样才算是靠谱的 Agent 产品？

以此测试 AI 技术能力上限，Agent 应用的产品版本需要考虑其生命周期。Xbench 后在 2024 年 10 月进行第二次大规模更新，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，同样的题目在不同时间的测试效果均有不同。不同模型在招聘和营销领域的表现存在显著差异，出于同时对模型能力和实际「生产力」的关注，在 5 月公布的论文中，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

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，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），

① 在博客中，

① 双轨评估体系将评测任务划分为两条互补的主线。

① 在首期测试中，导致其在此次评估中的表现较低。前往「收件箱」查看完整解读 

质疑测评题目难度不断升高的意义，并设计了基于基于项目反应理论的长青评估机制，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。以及简单工具调用能力。用于跟踪和评估基础模型的能力，同时量化真实场景效用价值。以确保双轨评估结果具备时效性和相关性。同样对 LLM-based Agent 在现实工作任务、关注 LLM 的复杂问答及推理能力，并在同期的博文中介绍了该项目的由来和更新过程。评估任务由对应领域的专家结合实际业务需求设定，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。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），再由大学教授将评估任务转化为评估指标，且 Agent 接触的外部环境也在动态变化，

③ Xbench 的第三次升级发生于 2025 年 3 月，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。