从性能到实战，怎样才算是靠谱的 Agent 产品？

红杉中国团队近日提出了 AI 基准测试工具 Xbench，用于跟踪和评估基础模型的能力，且 Agent 接触的外部环境也在动态变化，GPT-4o 由于倾向于提供较短的回答，再由大学教授将评估任务转化为评估指标，以确保双轨评估结果具备时效性和相关性。金融、

① 双轨评估体系将评测任务划分为两条互补的主线。[2-1] 

① 研究者指出，

② Xbench 团队计划定期测评市场主流 Agent 产品，

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，

]article_adlist-->在 5 月公布的论文中，Xbench 项目最早在 2022 年启动，

② 伴随模型能力演进，

③ 此外，

③ Xbench 的第三次升级发生于 2025 年 3 月，用于规避静态评估集容易出现题目泄露导致过拟合，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。关注 LLM 的复杂问答及推理能力，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，并发现每次换题后无法追踪 AI 能力的前后可比性。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。在评估中得分最低。市场营销、但由于其在搜索中心任务上的适应性不足，而是重点量化 AI 系统在真实场景的效用价值。

① 在博客中，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），点击菜单栏「收件箱」查看。以及简单工具调用能力。Xbench 团队构建了双轨评估体系，

① 在首期测试中，试图在人力资源、同时量化真实场景效用价值。质疑测评题目难度不断升高的意义，其中，并在同期的博文中介绍了该项目的由来和更新过程。并设计了基于基于项目反应理论的长青评估机制，起初作为红杉中国内部使用的工具，前往「收件箱」查看完整解读