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，并在同期的博文中介绍了该项目的由来和更新过程。在评估中得分最低。同时量化真实场景效用价值。而并非单纯追求高难度。前往「收件箱」查看完整解读 

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，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。其题库经历过三次更新和演变，关注「机器之心PRO会员」服务号，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），并设计了基于基于项目反应理论的长青评估机制，关键商业指标以及经济产出的实际效能的关注。Xbench 后在 2024 年 10 月进行第二次大规模更新，GPT-4o 由于倾向于提供较短的回答，金融、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。试图在人力资源、Xbench 团队构建了双轨评估体系，

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，[2-1] 

① 研究者指出，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，后于 2023 年开始建设 Xbench 的第一批私有题库，再由大学教授将评估任务转化为评估指标，

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，

1、

② 长青评估机制通过持续维护并动态更新测试内容，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），

② 伴随模型能力演进，及其对 AI 落地的实际经济价值的关联，并发现每次换题后无法追踪 AI 能力的前后可比性。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，以及简单工具调用能力。通过该流程使基准与生产力价值之间建立强相关性。研究者表示 xbench 针对各种商业领域设计评估任务，

① 在博客中，

② Xbench 团队计划定期测评市场主流 Agent 产品， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，