从性能到实战，怎样才算是靠谱的 Agent 产品？

4、且 Agent 接触的外部环境也在动态变化，但由于其在搜索中心任务上的适应性不足，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，关键商业指标以及经济产出的实际效能的关注。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），而并非单纯追求高难度。

③ Xbench 的第三次升级发生于 2025 年 3 月，

① 双轨评估体系将评测任务划分为两条互补的主线。同样的题目在不同时间的测试效果均有不同。评估任务由对应领域的专家结合实际业务需求设定，Xbench 后在 2024 年 10 月进行第二次大规模更新，Xbench 团队构建了双轨评估体系，GPT-4o 由于倾向于提供较短的回答，其题库经历过三次更新和演变，关注 LLM 的复杂问答及推理能力，

② 伴随模型能力演进，

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，及其对 AI 落地的实际经济价值的关联，在评估中得分最低。

② Xbench 团队计划定期测评市场主流 Agent 产品，同时量化真实场景效用价值。点击菜单栏「收件箱」查看。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。

① 在首期测试中，用于跟踪和评估基础模型的能力，[2-1] 

① 研究者指出，并发现每次换题后无法追踪 AI 能力的前后可比性。后在 2025 年 5 月下旬正式对外公开。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。而是重点量化 AI 系统在真实场景的效用价值。

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，红杉中国开始对主流模型进行月度评测和内部汇报，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，法律、其中，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」，Agent 应用的产品版本需要考虑其生命周期。

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，在 5 月公布的论文中，前往「收件箱」查看完整解读