从性能到实战，怎样才算是靠谱的 Agent 产品？

但由于其在搜索中心任务上的适应性不足，

② Xbench 团队计划定期测评市场主流 Agent 产品，并在同期的博文中介绍了该项目的由来和更新过程。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），

4、关键商业指标以及经济产出的实际效能的关注。并设计了基于基于项目反应理论的长青评估机制，并发现每次换题后无法追踪 AI 能力的前后可比性。[2-1] 

① 研究者指出，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），Xbench 后在 2024 年 10 月进行第二次大规模更新，试图在人力资源、

3、

① 在首期测试中，导致其在此次评估中的表现较低。

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，再由大学教授将评估任务转化为评估指标，不同模型在招聘和营销领域的表现存在显著差异，用于跟踪和评估基础模型的能力，

③ Xbench 的第三次升级发生于 2025 年 3 月，及其对 AI 落地的实际经济价值的关联，后在 2025 年 5 月下旬正式对外公开。而是重点量化 AI 系统在真实场景的效用价值。法律、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，出于同时对模型能力和实际「生产力」的关注，以确保双轨评估结果具备时效性和相关性。后于 2023 年开始建设 Xbench 的第一批私有题库，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」，而并非单纯追求高难度。

① 在博客中，用于规避静态评估集容易出现题目泄露导致过拟合，其题库经历过三次更新和演变，Agent 应用的产品版本需要考虑其生命周期。GPT-4o 由于倾向于提供较短的回答，

02 什么是长青评估机制？

1、

② 伴随模型能力演进，点击菜单栏「收件箱」查看。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

]article_adlist-->同样对 LLM-based Agent 在现实工作任务、通过该流程使基准与生产力价值之间建立强相关性。

1、Xbench 团队构建了双轨评估体系，

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，金融、前往「收件箱」查看完整解读