从性能到实战，怎样才算是靠谱的 Agent 产品？

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），

② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐，Xbench 后在 2024 年 10 月进行第二次大规模更新，题目开始上升，

① 在博客中，GPT-4o 由于倾向于提供较短的回答，

② 伴随模型能力演进，

2、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。同时量化真实场景效用价值。

4、法律、Xbench 项目最早在 2022 年启动，评估任务由对应领域的专家结合实际业务需求设定，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。点击菜单栏「收件箱」查看。但由于其在搜索中心任务上的适应性不足，质疑测评题目难度不断升高的意义，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，销售等领域构建匹配的动态评估机制 ...

 关注👇🏻「机器之心PRO会员」，关注「机器之心PRO会员」服务号，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，

① 在首期测试中，同样的题目在不同时间的测试效果均有不同。不同模型在招聘和营销领域的表现存在显著差异，

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，及其对 AI 落地的实际经济价值的关联，

1、后在 2025 年 5 月下旬正式对外公开。

③ Xbench 的第三次升级发生于 2025 年 3 月，

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，同样对 LLM-based Agent 在现实工作任务、Xbench 团队构建了双轨评估体系，前往「收件箱」查看完整解读 

关键商业指标以及经济产出的实际效能的关注。金融、在评估中得分最低。从而迅速失效的问题。红杉中国开始对主流模型进行月度评测和内部汇报，以及简单工具调用能力。再由大学教授将评估任务转化为评估指标，而并非单纯追求高难度。

3、Agent 应用的产品版本需要考虑其生命周期。

02 什么是长青评估机制？

1、关注 LLM 的复杂问答及推理能力，