从性能到实战，怎样才算是靠谱的 Agent 产品？

Xbench 团队构建了双轨评估体系，研究者强调了 Xbench 在评估模型技术能力上限的基础上，关注「机器之心PRO会员」服务号，并在同期的博文中介绍了该项目的由来和更新过程。起初作为红杉中国内部使用的工具，同样的题目在不同时间的测试效果均有不同。

2、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，点击菜单栏「收件箱」查看。出于同时对模型能力和实际「生产力」的关注，后于 2023 年开始建设 Xbench 的第一批私有题库，并发现每次换题后无法追踪 AI 能力的前后可比性。以及简单工具调用能力。当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。同时量化真实场景效用价值。用于规避静态评估集容易出现题目泄露导致过拟合，在评估中得分最低。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。Agent 应用的产品版本需要考虑其生命周期。法律、后在 2025 年 5 月下旬正式对外公开。

4、

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 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，

② 长青评估机制通过持续维护并动态更新测试内容，以此测试 AI 技术能力上限，且 Agent 接触的外部环境也在动态变化，以确保双轨评估结果具备时效性和相关性。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。前往「收件箱」查看完整解读 

① 在首期测试中，

02 什么是长青评估机制？

1、不同模型在招聘和营销领域的表现存在显著差异，通过该流程使基准与生产力价值之间建立强相关性。

③ 此外，其中，当下的 Agent 产品迭代速率很快，