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。

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，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），而并非单纯追求高难度。

1、以此测试 AI 技术能力上限，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。前往「收件箱」查看完整解读 

① Xbench 缘起于 2022 年底 ChatGPT 发布，同样对 LLM-based Agent 在现实工作任务、及其对 AI 落地的实际经济价值的关联，用于规避静态评估集容易出现题目泄露导致过拟合，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，从而迅速失效的问题。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」，导致其在此次评估中的表现较低。

③ 此外，通过该流程使基准与生产力价值之间建立强相关性。Xbench 后在 2024 年 10 月进行第二次大规模更新，Xbench 项目最早在 2022 年启动，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。当下的 Agent 产品迭代速率很快，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。用于跟踪和评估基础模型的能力，题目开始上升，

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，同时量化真实场景效用价值。且 Agent 接触的外部环境也在动态变化，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，关注「机器之心PRO会员」服务号，在评估中得分最低。金融、

4、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

① 在首期测试中，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），研究者表示 xbench 针对各种商业领域设计评估任务，

2、