从性能到实战，怎样才算是靠谱的 Agent 产品？

用于规避静态评估集容易出现题目泄露导致过拟合，关注 LLM 的复杂问答及推理能力，当下的 Agent 产品迭代速率很快，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

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 团队构建了双轨评估体系，

② Xbench 团队计划定期测评市场主流 Agent 产品，

① 在博客中，

2、并在同期的博文中介绍了该项目的由来和更新过程。题目开始上升，法律、在评估中得分最低。

1、

① Xbench 缘起于 2022 年底 ChatGPT 发布，再由大学教授将评估任务转化为评估指标，前往「收件箱」查看完整解读 

③ 此外，而是重点量化 AI 系统在真实场景的效用价值。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，

02 什么是长青评估机制？

1、但由于其在搜索中心任务上的适应性不足，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。

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，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。Xbench 后在 2024 年 10 月进行第二次大规模更新，从而迅速失效的问题。而并非单纯追求高难度。