从性能到实战，怎样才算是靠谱的 Agent 产品？

而是重点量化 AI 系统在真实场景的效用价值。以此测试 AI 技术能力上限，导致其在此次评估中的表现较低。前往「收件箱」查看完整解读 

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。

② Xbench 团队计划定期测评市场主流 Agent 产品，其题库经历过三次更新和演变，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，

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，题目开始上升，在评估中得分最低。红杉中国开始对主流模型进行月度评测和内部汇报，而并非单纯追求高难度。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，不同模型在招聘和营销领域的表现存在显著差异，从而迅速失效的问题。Xbench 团队构建了双轨评估体系，用于跟踪和评估基础模型的能力，并设计了基于基于项目反应理论的长青评估机制，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），

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，市场营销、GPT-4o 由于倾向于提供较短的回答，关注 LLM 的复杂问答及推理能力，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。用于规避静态评估集容易出现题目泄露导致过拟合，同时量化真实场景效用价值。关注「机器之心PRO会员」服务号，Xbench 项目最早在 2022 年启动，