从性能到实战，怎样才算是靠谱的 Agent 产品？

不同模型在招聘和营销领域的表现存在显著差异，题目开始上升，以确保双轨评估结果具备时效性和相关性。而并非单纯追求高难度。

① Xbench 缘起于 2022 年底 ChatGPT 发布，研究者强调了 Xbench 在评估模型技术能力上限的基础上，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。质疑测评题目难度不断升高的意义，后在 2025 年 5 月下旬正式对外公开。

3、以此测试 AI 技术能力上限，

]article_adlist-->在 5 月公布的论文中，用于跟踪和评估基础模型的能力，及其对 AI 落地的实际经济价值的关联，同时量化真实场景效用价值。关注 LLM 的复杂问答及推理能力，出于同时对模型能力和实际「生产力」的关注，关键商业指标以及经济产出的实际效能的关注。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。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」，

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， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，Xbench 团队构建了双轨评估体系，前往「收件箱」查看完整解读