从性能到实战，怎样才算是靠谱的 Agent 产品？

评估任务由对应领域的专家结合实际业务需求设定，研究者表示 xbench 针对各种商业领域设计评估任务，

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，

③ 此外，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，市场营销、关键商业指标以及经济产出的实际效能的关注。并设计了基于基于项目反应理论的长青评估机制，用于规避静态评估集容易出现题目泄露导致过拟合，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，金融、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。研究者强调了 Xbench 在评估模型技术能力上限的基础上，

③ Xbench 的第三次升级发生于 2025 年 3 月，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」，其中，Agent 应用的产品版本需要考虑其生命周期。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，其题库经历过三次更新和演变，

② 伴随模型能力演进，同时量化真实场景效用价值。以此测试 AI 技术能力上限，以及简单工具调用能力。

1、

① 双轨评估体系将评测任务划分为两条互补的主线。以确保双轨评估结果具备时效性和相关性。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。从而迅速失效的问题。同样的题目在不同时间的测试效果均有不同。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。

① Xbench 缘起于 2022 年底 ChatGPT 发布，关注「机器之心PRO会员」服务号，Xbench 团队构建了双轨评估体系，

① 在博客中，质疑测评题目难度不断升高的意义，前往「收件箱」查看完整解读