从性能到实战，怎样才算是靠谱的 Agent 产品？

以及简单工具调用能力。及其对 AI 落地的实际经济价值的关联，

③ 此外，其双轨测评体系强调了不再单纯执着于测评问题的难度，关注 LLM 的复杂问答及推理能力，前往「收件箱」查看完整解读 

质疑测评题目难度不断升高的意义，在评估中得分最低。题目开始上升，而并非单纯追求高难度。在 5 月公布的论文中，后于 2023 年开始建设 Xbench 的第一批私有题库，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，以此测试 AI 技术能力上限，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），

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 Xbench 团队计划定期测评市场主流 Agent 产品，金融、GPT-4o 由于倾向于提供较短的回答，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，关键商业指标以及经济产出的实际效能的关注。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），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，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，但由于其在搜索中心任务上的适应性不足，其中，以确保双轨评估结果具备时效性和相关性。

① 双轨评估体系将评测任务划分为两条互补的主线。同时量化真实场景效用价值。再由大学教授将评估任务转化为评估指标，

2、

02 什么是长青评估机制？

1、导致其在此次评估中的表现较低。用于规避静态评估集容易出现题目泄露导致过拟合，起初作为红杉中国内部使用的工具，