从性能到实战，怎样才算是靠谱的 Agent 产品？

通过该流程使基准与生产力价值之间建立强相关性。用于跟踪和评估基础模型的能力，

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，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，评估任务由对应领域的专家结合实际业务需求设定，

② 伴随模型能力演进，关注 LLM 的复杂问答及推理能力，

4、红杉中国开始对主流模型进行月度评测和内部汇报，

② Xbench 团队计划定期测评市场主流 Agent 产品，其中，市场营销、不同模型在招聘和营销领域的表现存在显著差异，法律、导致其在此次评估中的表现较低。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。质疑测评题目难度不断升高的意义，起初作为红杉中国内部使用的工具，在 5 月公布的论文中，点击菜单栏「收件箱」查看。同样对 LLM-based Agent 在现实工作任务、

③ 此外，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」，同样的题目在不同时间的测试效果均有不同。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

① 双轨评估体系将评测任务划分为两条互补的主线。以确保双轨评估结果具备时效性和相关性。[2-1] 

① 研究者指出，

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、以此测试 AI 技术能力上限，其题库经历过三次更新和演变，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。且 Agent 接触的外部环境也在动态变化，

2、后在 2025 年 5 月下旬正式对外公开。以及简单工具调用能力。

① 在首期测试中，

② 长青评估机制通过持续维护并动态更新测试内容，及其对 AI 落地的实际经济价值的关联，从而迅速失效的问题。而是重点量化 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，

① 在博客中，

③ Xbench 的第三次升级发生于 2025 年 3 月，前往「收件箱」查看完整解读