从性能到实战，怎样才算是靠谱的 Agent 产品？

关注「机器之心PRO会员」服务号，

2、并设计了基于基于项目反应理论的长青评估机制，起初作为红杉中国内部使用的工具，并发现每次换题后无法追踪 AI 能力的前后可比性。[2-1] 

① 研究者指出，

③ 此外，GPT-4o 由于倾向于提供较短的回答，

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，及其对 AI 落地的实际经济价值的关联，并在同期的博文中介绍了该项目的由来和更新过程。Xbench 项目最早在 2022 年启动，

① 在首期测试中，后于 2023 年开始建设 Xbench 的第一批私有题库，以此测试 AI 技术能力上限，Xbench 后在 2024 年 10 月进行第二次大规模更新，同时量化真实场景效用价值。同样对 LLM-based Agent 在现实工作任务、评估任务由对应领域的专家结合实际业务需求设定，其题库经历过三次更新和演变，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。市场营销、关键商业指标以及经济产出的实际效能的关注。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，

3、

① Xbench 缘起于 2022 年底 ChatGPT 发布，

② 长青评估机制通过持续维护并动态更新测试内容，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

② Xbench 团队计划定期测评市场主流 Agent 产品，通过该流程使基准与生产力价值之间建立强相关性。且 Agent 接触的外部环境也在动态变化，用于规避静态评估集容易出现题目泄露导致过拟合， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

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，研究者表示 xbench 针对各种商业领域设计评估任务，前往「收件箱」查看完整解读