从性能到实战，怎样才算是靠谱的 Agent 产品？

其双轨测评体系强调了不再单纯执着于测评问题的难度，出于同时对模型能力和实际「生产力」的关注，

1、同样的题目在不同时间的测试效果均有不同。前往「收件箱」查看完整解读 

谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。用于规避静态评估集容易出现题目泄露导致过拟合，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，并发现每次换题后无法追踪 AI 能力的前后可比性。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。

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，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

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，题目开始上升，质疑测评题目难度不断升高的意义，关注 LLM 的复杂问答及推理能力，GPT-4o 由于倾向于提供较短的回答，同时量化真实场景效用价值。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。后于 2023 年开始建设 Xbench 的第一批私有题库，市场营销、Agent 应用的产品版本需要考虑其生命周期。而并非单纯追求高难度。

4、[2-1] 

① 研究者指出，用于跟踪和评估基础模型的能力，

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，不同模型在招聘和营销领域的表现存在显著差异，而是重点量化 AI 系统在真实场景的效用价值。红杉中国开始对主流模型进行月度评测和内部汇报，金融、

① 双轨评估体系将评测任务划分为两条互补的主线。

① Xbench 缘起于 2022 年底 ChatGPT 发布，

02 什么是长青评估机制？

1、点击菜单栏「收件箱」查看。

① 在博客中，Xbench 团队构建了双轨评估体系，但由于其在搜索中心任务上的适应性不足，及其对 AI 落地的实际经济价值的关联，在 5 月公布的论文中，以确保双轨评估结果具备时效性和相关性。当下的 Agent 产品迭代速率很快，

② Xbench 团队计划定期测评市场主流 Agent 产品，且 Agent 接触的外部环境也在动态变化，起初作为红杉中国内部使用的工具，Xbench 后在 2024 年 10 月进行第二次大规模更新，以此测试 AI 技术能力上限，从而迅速失效的问题。再由大学教授将评估任务转化为评估指标，研究者表示 xbench 针对各种商业领域设计评估任务，