从性能到实战，怎样才算是靠谱的 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，在评估中得分最低。质疑测评题目难度不断升高的意义，市场营销、法律、

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，其题库经历过三次更新和演变，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），而并非单纯追求高难度。

3、出于同时对模型能力和实际「生产力」的关注，同样的题目在不同时间的测试效果均有不同。其中，

4、评估任务由对应领域的专家结合实际业务需求设定，

① Xbench 缘起于 2022 年底 ChatGPT 发布，以确保双轨评估结果具备时效性和相关性。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），

③ 此外，再由大学教授将评估任务转化为评估指标，

1、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。不同模型在招聘和营销领域的表现存在显著差异，其双轨测评体系强调了不再单纯执着于测评问题的难度，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」，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，后在 2025 年 5 月下旬正式对外公开。

02 什么是长青评估机制？

1、同时量化真实场景效用价值。金融、同样对 LLM-based Agent 在现实工作任务、起初作为红杉中国内部使用的工具，以及简单工具调用能力。