从性能到实战，怎样才算是靠谱的 Agent 产品？

而并非单纯追求高难度。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，

① Xbench 缘起于 2022 年底 ChatGPT 发布，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，

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，且 Agent 接触的外部环境也在动态变化，不同模型在招聘和营销领域的表现存在显著差异，其题库经历过三次更新和演变，试图在人力资源、而是重点量化 AI 系统在真实场景的效用价值。后在 2025 年 5 月下旬正式对外公开。红杉中国开始对主流模型进行月度评测和内部汇报，Agent 应用的产品版本需要考虑其生命周期。以确保双轨评估结果具备时效性和相关性。

4、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，关注 LLM 的复杂问答及推理能力，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

③ Xbench 的第三次升级发生于 2025 年 3 月，及其对 AI 落地的实际经济价值的关联，并发现每次换题后无法追踪 AI 能力的前后可比性。但由于其在搜索中心任务上的适应性不足，

1、研究者强调了 Xbench 在评估模型技术能力上限的基础上，在 5 月公布的论文中，

② Xbench 团队计划定期测评市场主流 Agent 产品，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。前往「收件箱」查看完整解读 

02 什么是长青评估机制？

1、