从性能到实战，怎样才算是靠谱的 Agent 产品？

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，出于同时对模型能力和实际「生产力」的关注，[2-1] 

① 研究者指出，

2、Agent 应用的产品版本需要考虑其生命周期。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，以及简单工具调用能力。

02 什么是长青评估机制？

1、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，题目开始上升，用于跟踪和评估基础模型的能力，后在 2025 年 5 月下旬正式对外公开。后于 2023 年开始建设 Xbench 的第一批私有题库，前往「收件箱」查看完整解读 

其中，而是重点量化 AI 系统在真实场景的效用价值。红杉中国开始对主流模型进行月度评测和内部汇报，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，当下的 Agent 产品迭代速率很快，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

① 在首期测试中，再由大学教授将评估任务转化为评估指标，

3、并设计了基于基于项目反应理论的长青评估机制，