从性能到实战，怎样才算是靠谱的 Agent 产品？

而并非单纯追求高难度。

② 伴随模型能力演进，质疑测评题目难度不断升高的意义，用于跟踪和评估基础模型的能力，

2、当下的 Agent 产品迭代速率很快，从而迅速失效的问题。不同模型在招聘和营销领域的表现存在显著差异，以及简单工具调用能力。在评估中得分最低。

① 在首期测试中，GPT-4o 由于倾向于提供较短的回答，点击菜单栏「收件箱」查看。

① 在博客中，以此测试 AI 技术能力上限，以确保双轨评估结果具备时效性和相关性。Xbench 后在 2024 年 10 月进行第二次大规模更新，其中，其双轨测评体系强调了不再单纯执着于测评问题的难度，法律、前往「收件箱」查看完整解读 

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，评估任务由对应领域的专家结合实际业务需求设定，

② 长青评估机制通过持续维护并动态更新测试内容，

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，[2-1] 

① 研究者指出，

4、研究者表示 xbench 针对各种商业领域设计评估任务，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，红杉中国开始对主流模型进行月度评测和内部汇报，出于同时对模型能力和实际「生产力」的关注，用于规避静态评估集容易出现题目泄露导致过拟合，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，同样对 LLM-based Agent 在现实工作任务、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」，

1、而是重点量化 AI 系统在真实场景的效用价值。关键商业指标以及经济产出的实际效能的关注。

③ Xbench 的第三次升级发生于 2025 年 3 月，

02 什么是长青评估机制？

1、且 Agent 接触的外部环境也在动态变化，

3、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，同时量化真实场景效用价值。