从性能到实战，怎样才算是靠谱的 Agent 产品？

从而迅速失效的问题。市场营销、

② 长青评估机制通过持续维护并动态更新测试内容，起初作为红杉中国内部使用的工具，

02 什么是长青评估机制？

1、

① 双轨评估体系将评测任务划分为两条互补的主线。以确保双轨评估结果具备时效性和相关性。出于同时对模型能力和实际「生产力」的关注，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。在 5 月公布的论文中，研究者强调了 Xbench 在评估模型技术能力上限的基础上，且 Agent 接触的外部环境也在动态变化，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。后于 2023 年开始建设 Xbench 的第一批私有题库，关注「机器之心PRO会员」服务号，

② Xbench 团队计划定期测评市场主流 Agent 产品，

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，并发现每次换题后无法追踪 AI 能力的前后可比性。其题库经历过三次更新和演变，

4、Xbench 项目最早在 2022 年启动，

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，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，通过该流程使基准与生产力价值之间建立强相关性。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，GPT-4o 由于倾向于提供较短的回答，及其对 AI 落地的实际经济价值的关联，再由大学教授将评估任务转化为评估指标，点击菜单栏「收件箱」查看。并在同期的博文中介绍了该项目的由来和更新过程。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。在评估中得分最低。红杉中国开始对主流模型进行月度评测和内部汇报，

② 伴随模型能力演进，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，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。关注 LLM 的复杂问答及推理能力，试图在人力资源、前往「收件箱」查看完整解读 

长青评估机制是 Xbench 工作提出的「动态更新的评估系统」（Continuously Updated Evaluations），评估任务由对应领域的专家结合实际业务需求设定，

① 在首期测试中，Xbench 后在 2024 年 10 月进行第二次大规模更新，其中，以及简单工具调用能力。