从性能到实战，怎样才算是靠谱的 Agent 产品？

① 在首期测试中，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。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），

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，以确保双轨评估结果具备时效性和相关性。

② 长青评估机制通过持续维护并动态更新测试内容，且 Agent 接触的外部环境也在动态变化，在 5 月公布的论文中，

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，用于跟踪和评估基础模型的能力，其中，

1、关注「机器之心PRO会员」服务号，[2-1] 

① 研究者指出，同时量化真实场景效用价值。关键商业指标以及经济产出的实际效能的关注。Agent 应用的产品版本需要考虑其生命周期。

2、

③ Xbench 的第三次升级发生于 2025 年 3 月，Xbench 项目最早在 2022 年启动，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，

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，而并非单纯追求高难度。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。Xbench 后在 2024 年 10 月进行第二次大规模更新，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，前往「收件箱」查看完整解读 

02 什么是长青评估机制？

1、