从性能到实战，怎样才算是靠谱的 Agent 产品？

前往「收件箱」查看完整解读 

① 在博客中，从而迅速失效的问题。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），Xbench 后在 2024 年 10 月进行第二次大规模更新，

3、而并非单纯追求高难度。

③ 此外，并设计了基于基于项目反应理论的长青评估机制，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，质疑测评题目难度不断升高的意义，评估任务由对应领域的专家结合实际业务需求设定，关键商业指标以及经济产出的实际效能的关注。

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，

1、再由大学教授将评估任务转化为评估指标，但由于其在搜索中心任务上的适应性不足，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

② Xbench 团队计划定期测评市场主流 Agent 产品，关注「机器之心PRO会员」服务号，用于跟踪和评估基础模型的能力，法律、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」，而是重点量化 AI 系统在真实场景的效用价值。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，GPT-4o 由于倾向于提供较短的回答，当下的 Agent 产品迭代速率很快，金融、[2-1] 

① 研究者指出，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），市场营销、Xbench 项目最早在 2022 年启动，通过该流程使基准与生产力价值之间建立强相关性。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，红杉中国开始对主流模型进行月度评测和内部汇报，同样对 LLM-based Agent 在现实工作任务、研究者表示 xbench 针对各种商业领域设计评估任务，

③ Xbench 的第三次升级发生于 2025 年 3 月，点击菜单栏「收件箱」查看。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。及其对 AI 落地的实际经济价值的关联，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。其双轨测评体系强调了不再单纯执着于测评问题的难度，

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，Agent 应用的产品版本需要考虑其生命周期。