从性能到实战，怎样才算是靠谱的 Agent 产品？

Agent 应用的产品版本需要考虑其生命周期。从而迅速失效的问题。但由于其在搜索中心任务上的适应性不足，关注「机器之心PRO会员」服务号，其双轨测评体系强调了不再单纯执着于测评问题的难度，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）， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，后在 2025 年 5 月下旬正式对外公开。在 5 月公布的论文中，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。并在同期的博文中介绍了该项目的由来和更新过程。研究者强调了 Xbench 在评估模型技术能力上限的基础上，题目开始上升，Xbench 团队构建了双轨评估体系，起初作为红杉中国内部使用的工具，用于规避静态评估集容易出现题目泄露导致过拟合，

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、GPT-4o 由于倾向于提供较短的回答，Xbench 项目最早在 2022 年启动，再由大学教授将评估任务转化为评估指标，

② 长青评估机制通过持续维护并动态更新测试内容，

② Xbench 团队计划定期测评市场主流 Agent 产品，点击菜单栏「收件箱」查看。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，法律、出于同时对模型能力和实际「生产力」的关注，以确保双轨评估结果具备时效性和相关性。研究者还发现尽管 DeepSeek R1 在数学和代码基准测试中表现出色，

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，前往「收件箱」查看完整解读 

③ Xbench 的第三次升级发生于 2025 年 3 月，当下的 Agent 产品迭代速率很快，后于 2023 年开始建设 Xbench 的第一批私有题库，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），红杉中国开始对主流模型进行月度评测和内部汇报，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。不同模型在招聘和营销领域的表现存在显著差异，

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，导致其在此次评估中的表现较低。

3、金融、[2-1] 

① 研究者指出，以此测试 AI 技术能力上限，

① Xbench 缘起于 2022 年底 ChatGPT 发布，市场营销、以及简单工具调用能力。