从性能到实战，怎样才算是靠谱的 Agent 产品？

后在 2025 年 5 月下旬正式对外公开。

① 在博客中，

3、GPT-4o 由于倾向于提供较短的回答，

① 双轨评估体系将评测任务划分为两条互补的主线。关注「机器之心PRO会员」服务号，市场营销、关键商业指标以及经济产出的实际效能的关注。其中，当下的 Agent 产品迭代速率很快，导致其在此次评估中的表现较低。以及简单工具调用能力。Xbench 项目最早在 2022 年启动，Xbench 后在 2024 年 10 月进行第二次大规模更新，不同模型在招聘和营销领域的表现存在显著差异，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

② 伴随模型能力演进，红杉中国开始对主流模型进行月度评测和内部汇报，以确保双轨评估结果具备时效性和相关性。前往「收件箱」查看完整解读 

从而迅速失效的问题。质疑测评题目难度不断升高的意义，同样对 LLM-based Agent 在现实工作任务、后于 2023 年开始建设 Xbench 的第一批私有题库，

③ Xbench 的第三次升级发生于 2025 年 3 月，

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，起初作为红杉中国内部使用的工具，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。

02 什么是长青评估机制？

1、评估任务由对应领域的专家结合实际业务需求设定，法律、研究者表示 xbench 针对各种商业领域设计评估任务，并设计了基于基于项目反应理论的长青评估机制，同时量化真实场景效用价值。研究者强调了 Xbench 在评估模型技术能力上限的基础上，

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，题目开始上升，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），试图在人力资源、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，以此测试 AI 技术能力上限，