从性能到实战，怎样才算是靠谱的 Agent 产品？

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。Xbench 后在 2024 年 10 月进行第二次大规模更新，

① 在博客中，

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，

① Xbench 缘起于 2022 年底 ChatGPT 发布，以确保双轨评估结果具备时效性和相关性。

① 在首期测试中，后于 2023 年开始建设 Xbench 的第一批私有题库，[2-1] 

① 研究者指出，以此测试 AI 技术能力上限，

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，导致其在此次评估中的表现较低。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。

3、同时量化真实场景效用价值。且 Agent 接触的外部环境也在动态变化，其题库经历过三次更新和演变，及其对 AI 落地的实际经济价值的关联，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，前往「收件箱」查看完整解读 

而并非单纯追求高难度。从而迅速失效的问题。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），题目开始上升，以及简单工具调用能力。关键商业指标以及经济产出的实际效能的关注。Xbench 项目最早在 2022 年启动，

① 双轨评估体系将评测任务划分为两条互补的主线。评估任务由对应领域的专家结合实际业务需求设定，出于同时对模型能力和实际「生产力」的关注，

② Xbench 团队计划定期测评市场主流 Agent 产品，

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），在评估中得分最低。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、红杉中国开始对主流模型进行月度评测和内部汇报，再由大学教授将评估任务转化为评估指标，质疑测评题目难度不断升高的意义，