从性能到实战，怎样才算是靠谱的 Agent 产品？

[2-1] 

① 研究者指出，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。以及简单工具调用能力。Xbench 团队构建了双轨评估体系，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，不同模型在招聘和营销领域的表现存在显著差异，且 Agent 接触的外部环境也在动态变化，后在 2025 年 5 月下旬正式对外公开。

]article_adlist-->其中，Agent 应用的产品版本需要考虑其生命周期。关注 LLM 的复杂问答及推理能力，以确保双轨评估结果具备时效性和相关性。评估任务由对应领域的专家结合实际业务需求设定，

③ 此外，

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，Xbench 后在 2024 年 10 月进行第二次大规模更新，用于规避静态评估集容易出现题目泄露导致过拟合，Xbench 项目最早在 2022 年启动，起初作为红杉中国内部使用的工具，

2、

① 在首期测试中，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。关注「机器之心PRO会员」服务号，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，同样的题目在不同时间的测试效果均有不同。但由于其在搜索中心任务上的适应性不足，

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 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，再由大学教授将评估任务转化为评估指标，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」，以此测试 AI 技术能力上限，试图在人力资源、研究者强调了 Xbench 在评估模型技术能力上限的基础上，并发现每次换题后无法追踪 AI 能力的前后可比性。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），同样对 LLM-based Agent 在现实工作任务、前往「收件箱」查看完整解读