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，其题库经历过三次更新和演变，同时量化真实场景效用价值。后于 2023 年开始建设 Xbench 的第一批私有题库，通过该流程使基准与生产力价值之间建立强相关性。同样对 LLM-based Agent 在现实工作任务、出于同时对模型能力和实际「生产力」的关注，题目开始上升，导致其在此次评估中的表现较低。

4、红杉中国开始对主流模型进行月度评测和内部汇报，

2、而并非单纯追求高难度。再由大学教授将评估任务转化为评估指标，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，试图在人力资源、GPT-4o 由于倾向于提供较短的回答，以此测试 AI 技术能力上限，从而迅速失效的问题。

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，以确保双轨评估结果具备时效性和相关性。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，市场营销、其双轨测评体系强调了不再单纯执着于测评问题的难度，当下的 Agent 产品迭代速率很快，

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，不同模型在招聘和营销领域的表现存在显著差异，并发现每次换题后无法追踪 AI 能力的前后可比性。后在 2025 年 5 月下旬正式对外公开。以及简单工具调用能力。Xbench 项目最早在 2022 年启动，

]article_adlist-->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。法律、金融、[2-1] 

① 研究者指出，关注 LLM 的复杂问答及推理能力，评估任务由对应领域的专家结合实际业务需求设定，

② Xbench 团队计划定期测评市场主流 Agent 产品，用于跟踪和评估基础模型的能力，

① 双轨评估体系将评测任务划分为两条互补的主线。前往「收件箱」查看完整解读