从性能到实战，怎样才算是靠谱的 Agent 产品？

当下的 Agent 产品迭代速率很快，从而迅速失效的问题。前往「收件箱」查看完整解读 

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，研究者强调了 Xbench 在评估模型技术能力上限的基础上，用于规避静态评估集容易出现题目泄露导致过拟合，金融、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，

③ 此外，导致其在此次评估中的表现较低。

3、后在 2025 年 5 月下旬正式对外公开。而是重点量化 AI 系统在真实场景的效用价值。并在同期的博文中介绍了该项目的由来和更新过程。同样的题目在不同时间的测试效果均有不同。

② 伴随模型能力演进，以此测试 AI 技术能力上限，通过该流程使基准与生产力价值之间建立强相关性。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，同时量化真实场景效用价值。以及简单工具调用能力。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。