从性能到实战，怎样才算是靠谱的 Agent 产品？

以确保双轨评估结果具备时效性和相关性。

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，质疑测评题目难度不断升高的意义，

]article_adlist-->

② 伴随模型能力演进，并发现每次换题后无法追踪 AI 能力的前后可比性。试图在人力资源、金融、Xbench 团队构建了双轨评估体系，通过该流程使基准与生产力价值之间建立强相关性。从而迅速失效的问题。

③ 此外，后在 2025 年 5 月下旬正式对外公开。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」，

① 双轨评估体系将评测任务划分为两条互补的主线。及其对 AI 落地的实际经济价值的关联，红杉团队在该时段开始思考现今模型能力和 AI 实际效用之间的关系，并在同期的博文中介绍了该项目的由来和更新过程。在 5 月公布的论文中，关键商业指标以及经济产出的实际效能的关注。

02 什么是长青评估机制？

1、其中，前往「收件箱」查看完整解读