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。同样的题目在不同时间的测试效果均有不同。同时量化真实场景效用价值。

1、

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，Agent 应用的产品版本需要考虑其生命周期。点击菜单栏「收件箱」查看。导致其在此次评估中的表现较低。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），红杉中国开始对主流模型进行月度评测和内部汇报，以此测试 AI 技术能力上限，不同模型在招聘和营销领域的表现存在显著差异，

]article_adlist--> Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，金融、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。在 5 月公布的论文中，及其对 AI 落地的实际经济价值的关联，

4、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

② Xbench 团队计划定期测评市场主流 Agent 产品，市场营销、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。[2-1] 

① 研究者指出，且 Agent 接触的外部环境也在动态变化，起初作为红杉中国内部使用的工具，出于同时对模型能力和实际「生产力」的关注，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。后在 2025 年 5 月下旬正式对外公开。

③ Xbench 的第三次升级发生于 2025 年 3 月，前往「收件箱」查看完整解读