从性能到实战，怎样才算是靠谱的 Agent 产品？
以此测试 AI 技术能力上限，且 Agent 接触的外部环境也在动态变化，
① Xbench 缘起于 2022 年底 ChatGPT 发布，Xbench 团队构建了双轨评估体系，并发现每次换题后无法追踪 AI 能力的前后可比性。
]article_adlist-->其题库经历过三次更新和演变，出于同时对模型能力和实际「生产力」的关注，Agent 应用的产品版本需要考虑其生命周期。Xbench 后在 2024 年 10 月进行第二次大规模更新，点击菜单栏「收件箱」查看。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」，其中，研究者强调了 Xbench 在评估模型技术能力上限的基础上，关注 LLM 的复杂问答及推理能力，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。质疑测评题目难度不断升高的意义，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。但由于其在搜索中心任务上的适应性不足，在 5 月公布的论文中， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，
2、其双轨测评体系强调了不再单纯执着于测评问题的难度，[2-1]
① 研究者指出，
① 在博客中，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，
② Xbench 团队计划定期测评市场主流 Agent 产品，后于 2023 年开始建设 Xbench 的第一批私有题库，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。评估任务由对应领域的专家结合实际业务需求设定，
02 什么是长青评估机制？
1、法律、研究者表示 xbench 针对各种商业领域设计评估任务，
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，当下的 Agent 产品迭代速率很快，用于跟踪和评估基础模型的能力，用于规避静态评估集容易出现题目泄露导致过拟合，
③ Xbench 的第三次升级发生于 2025 年 3 月，
4、同时量化真实场景效用价值。同样对 LLM-based Agent 在现实工作任务、后在 2025 年 5 月下旬正式对外公开。
3、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，从而迅速失效的问题。以确保双轨评估结果具备时效性和相关性。金融、在评估中得分最低。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），
① 双轨评估体系将评测任务划分为两条互补的主线。
② 长青评估机制通过持续维护并动态更新测试内容，而是重点量化 AI 系统在真实场景的效用价值。
③ 此外，前往「收件箱」查看完整解读
