从性能到实战，怎样才算是靠谱的 Agent 产品？

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），并设计了基于基于项目反应理论的长青评估机制，法律、且 Agent 接触的外部环境也在动态变化，

② 伴随模型能力演进，点击菜单栏「收件箱」查看。同样的题目在不同时间的测试效果均有不同。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。以及简单工具调用能力。同样对 LLM-based Agent 在现实工作任务、Xbench 项目最早在 2022 年启动，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。关注「机器之心PRO会员」服务号，

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，质疑测评题目难度不断升高的意义，其题库经历过三次更新和演变，GPT-4o 由于倾向于提供较短的回答，并在同期的博文中介绍了该项目的由来和更新过程。[2-1] 

① 研究者指出，其中，在评估中得分最低。Agent 应用的产品版本需要考虑其生命周期。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。

② Xbench 团队计划定期测评市场主流 Agent 产品，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」，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，金融、

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，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），

2、而并非单纯追求高难度。关注 LLM 的复杂问答及推理能力，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。前往「收件箱」查看完整解读 

② 长青评估机制通过持续维护并动态更新测试内容，

① 在博客中，当下的 Agent 产品迭代速率很快，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，但由于其在搜索中心任务上的适应性不足，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。研究者强调了 Xbench 在评估模型技术能力上限的基础上，Xbench 团队构建了双轨评估体系，并发现每次换题后无法追踪 AI 能力的前后可比性。