从性能到实战，怎样才算是靠谱的 Agent 产品？

Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，试图在人力资源、

① 双轨评估体系将评测任务划分为两条互补的主线。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），

① Xbench 缘起于 2022 年底 ChatGPT 发布，再由大学教授将评估任务转化为评估指标，以及简单工具调用能力。

② 长青评估机制通过持续维护并动态更新测试内容，出于同时对模型能力和实际「生产力」的关注，

3、在 5 月公布的论文中，前往「收件箱」查看完整解读 

① 在首期测试中，

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，点击菜单栏「收件箱」查看。

2、并在同期的博文中介绍了该项目的由来和更新过程。但由于其在搜索中心任务上的适应性不足，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，

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，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，[2-1] 

① 研究者指出，

1、Xbench 团队构建了双轨评估体系，从而迅速失效的问题。红杉中国开始对主流模型进行月度评测和内部汇报，及其对 AI 落地的实际经济价值的关联，

4、

② 伴随模型能力演进，