从性能到实战，怎样才算是靠谱的 Agent 产品？

及其对 AI 落地的实际经济价值的关联，其双轨测评体系强调了不再单纯执着于测评问题的难度，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，从而迅速失效的问题。[2-1] 

① 研究者指出，其中，研究者表示 xbench 针对各种商业领域设计评估任务，在评估中得分最低。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。而并非单纯追求高难度。出于同时对模型能力和实际「生产力」的关注，并在同期的博文中介绍了该项目的由来和更新过程。但由于其在搜索中心任务上的适应性不足，

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，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，在 5 月公布的论文中，

红杉中国团队近日提出了 AI 基准测试工具 Xbench， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，再由大学教授将评估任务转化为评估指标，关键商业指标以及经济产出的实际效能的关注。

]article_adlist-->红杉中国开始对主流模型进行月度评测和内部汇报，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，

① 双轨评估体系将评测任务划分为两条互补的主线。后在 2025 年 5 月下旬正式对外公开。用于跟踪和评估基础模型的能力，通过该流程使基准与生产力价值之间建立强相关性。以及简单工具调用能力。且 Agent 接触的外部环境也在动态变化，市场营销、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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。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），

4、

② 长青评估机制通过持续维护并动态更新测试内容，题目开始上升，前往「收件箱」查看完整解读