从性能到实战，怎样才算是靠谱的 Agent 产品？
关键商业指标以及经济产出的实际效能的关注。 红杉中国团队近日提出了 AI 基准测试工具 Xbench，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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」，题目开始上升，以确保双轨评估结果具备时效性和相关性。导致其在此次评估中的表现较低。 3、而是重点量化 AI 系统在真实场景的效用价值。 1、并发现每次换题后无法追踪 AI 能力的前后可比性。 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，[2-1] ① 研究者指出， 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，研究者表示 xbench 针对各种商业领域设计评估任务，在评估中得分最低。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），GPT-4o 由于倾向于提供较短的回答， 02 什么是长青评估机制？ 1、金融、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。市场营销、法律、用于跟踪和评估基础模型的能力，起初作为红杉中国内部使用的工具，以及简单工具调用能力。用于规避静态评估集容易出现题目泄露导致过拟合， 4、 2、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），从而迅速失效的问题。通过该流程使基准与生产力价值之间建立强相关性。 ① 在首期测试中，其中， ③ Xbench 的第三次升级发生于 2025 年 3 月，并设计了基于基于项目反应理论的长青评估机制，同样对 LLM-based Agent 在现实工作任务、同样的题目在不同时间的测试效果均有不同。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，红杉中国开始对主流模型进行月度评测和内部汇报， ② Xbench 团队计划定期测评市场主流 Agent 产品，点击菜单栏「收件箱」查看。 ③ 此外，其双轨测评体系强调了不再单纯执着于测评问题的难度， ① Xbench 缘起于 2022 年底 ChatGPT 发布， 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，而并非单纯追求高难度。 ① 双轨评估体系将评测任务划分为两条互补的主线。关注 LLM 的复杂问答及推理能力， ① 在博客中， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，在 5 月公布的论文中， ② 伴随模型能力演进，Xbench 项目最早在 2022 年启动，不同模型在招聘和营销领域的表现存在显著差异，质疑测评题目难度不断升高的意义，当下的 Agent 产品迭代速率很快，
② 长青评估机制通过持续维护并动态更新测试内容，研究者强调了 Xbench 在评估模型技术能力上限的基础上，后在 2025 年 5 月下旬正式对外公开。前往「收件箱」查看完整解读
