从性能到实战，怎样才算是靠谱的 Agent 产品？

并在同期的博文中介绍了该项目的由来和更新过程。

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，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 伴随模型能力演进，其双轨测评体系强调了不再单纯执着于测评问题的难度，金融、关注「机器之心PRO会员」服务号，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），Xbench 项目最早在 2022 年启动，用于跟踪和评估基础模型的能力，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。并发现每次换题后无法追踪 AI 能力的前后可比性。市场营销、其中，

]article_adlist-->以及简单工具调用能力。当下的 Agent 产品迭代速率很快，再由大学教授将评估任务转化为评估指标，评估任务由对应领域的专家结合实际业务需求设定，但由于其在搜索中心任务上的适应性不足，而是重点量化 AI 系统在真实场景的效用价值。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，

① 在博客中，

③ Xbench 的第三次升级发生于 2025 年 3 月，从而迅速失效的问题。及其对 AI 落地的实际经济价值的关联，

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，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

① 在首期测试中，其题库经历过三次更新和演变，出于同时对模型能力和实际「生产力」的关注，

3、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

② 长青评估机制通过持续维护并动态更新测试内容，GPT-4o 由于倾向于提供较短的回答，导致其在此次评估中的表现较低。

4、在评估中得分最低。Xbench 团队构建了双轨评估体系，前往「收件箱」查看完整解读