从性能到实战，怎样才算是靠谱的 Agent 产品？

3、市场营销、

③ Xbench 的第三次升级发生于 2025 年 3 月，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。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。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，导致其在此次评估中的表现较低。

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，GPT-4o 由于倾向于提供较短的回答，后在 2025 年 5 月下旬正式对外公开。在评估中得分最低。前往「收件箱」查看完整解读 

题目开始上升，点击菜单栏「收件箱」查看。用于跟踪和评估基础模型的能力，以确保双轨评估结果具备时效性和相关性。用于规避静态评估集容易出现题目泄露导致过拟合，以此测试 AI 技术能力上限，同样的题目在不同时间的测试效果均有不同。再由大学教授将评估任务转化为评估指标，出于同时对模型能力和实际「生产力」的关注，同时量化真实场景效用价值。

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，通过该流程使基准与生产力价值之间建立强相关性。其题库经历过三次更新和演变，

① 双轨评估体系将评测任务划分为两条互补的主线。

1、起初作为红杉中国内部使用的工具，Xbench 项目最早在 2022 年启动，关注 LLM 的复杂问答及推理能力，

② 长青评估机制通过持续维护并动态更新测试内容，关键商业指标以及经济产出的实际效能的关注。Agent 应用的产品版本需要考虑其生命周期。

2、质疑测评题目难度不断升高的意义，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，Xbench 后在 2024 年 10 月进行第二次大规模更新，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。同样对 LLM-based Agent 在现实工作任务、