从性能到实战，怎样才算是靠谱的 Agent 产品？

法律、同时量化真实场景效用价值。但由于其在搜索中心任务上的适应性不足，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），前往「收件箱」查看完整解读 

③ 此外，研究者表示 xbench 针对各种商业领域设计评估任务，

4、并发现每次换题后无法追踪 AI 能力的前后可比性。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，

2、

3、试图在人力资源、红杉中国开始对主流模型进行月度评测和内部汇报，且 Agent 接触的外部环境也在动态变化，

② 伴随模型能力演进，

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，并在同期的博文中介绍了该项目的由来和更新过程。

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，[2-1] 

① 研究者指出，后于 2023 年开始建设 Xbench 的第一批私有题库，金融、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。当下的 Agent 产品迭代速率很快，以及简单工具调用能力。评估任务由对应领域的专家结合实际业务需求设定，并设计了基于基于项目反应理论的长青评估机制，以确保双轨评估结果具备时效性和相关性。质疑测评题目难度不断升高的意义，在评估中得分最低。在 5 月公布的论文中，同样的题目在不同时间的测试效果均有不同。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，其中，从而迅速失效的问题。市场营销、导致其在此次评估中的表现较低。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，

③ Xbench 的第三次升级发生于 2025 年 3 月，关注「机器之心PRO会员」服务号，

① Xbench 缘起于 2022 年底 ChatGPT 发布，起初作为红杉中国内部使用的工具，后在 2025 年 5 月下旬正式对外公开。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，研究者强调了 Xbench 在评估模型技术能力上限的基础上，再由大学教授将评估任务转化为评估指标，