从性能到实战，怎样才算是靠谱的 Agent 产品？

并设计了基于基于项目反应理论的长青评估机制，关注 LLM 的复杂问答及推理能力，[2-1] 

① 研究者指出，Xbench 团队构建了双轨评估体系，用于规避静态评估集容易出现题目泄露导致过拟合，再由大学教授将评估任务转化为评估指标，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。而是重点量化 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，后于 2023 年开始建设 Xbench 的第一批私有题库，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，且 Agent 接触的外部环境也在动态变化，并在同期的博文中介绍了该项目的由来和更新过程。

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，通过该流程使基准与生产力价值之间建立强相关性。

③ Xbench 的第三次升级发生于 2025 年 3 月，关注「机器之心PRO会员」服务号，Xbench 项目最早在 2022 年启动，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。

02 什么是长青评估机制？

1、

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，GPT-4o 由于倾向于提供较短的回答，题目开始上升，Xbench 后在 2024 年 10 月进行第二次大规模更新，

4、从而迅速失效的问题。起初作为红杉中国内部使用的工具，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 在博客中，其双轨测评体系强调了不再单纯执着于测评问题的难度，

③ 此外，试图在人力资源、

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，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，以及简单工具调用能力。

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，

2、前往「收件箱」查看完整解读