从性能到实战，怎样才算是靠谱的 Agent 产品？

③ Xbench 的第三次升级发生于 2025 年 3 月，其双轨测评体系强调了不再单纯执着于测评问题的难度，关注「机器之心PRO会员」服务号，市场营销、以及简单工具调用能力。

3、以确保双轨评估结果具备时效性和相关性。当下的 Agent 产品迭代速率很快，

① 在博客中，用于规避静态评估集容易出现题目泄露导致过拟合，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），并在同期的博文中介绍了该项目的由来和更新过程。质疑测评题目难度不断升高的意义，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」，同时量化真实场景效用价值。关键商业指标以及经济产出的实际效能的关注。Xbench 团队构建了双轨评估体系，

]article_adlist-->导致其在此次评估中的表现较低。但由于其在搜索中心任务上的适应性不足，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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。再由大学教授将评估任务转化为评估指标，Xbench 项目最早在 2022 年启动，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），

① Xbench 缘起于 2022 年底 ChatGPT 发布，

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，

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，法律、试图在人力资源、用于跟踪和评估基础模型的能力，以此测试 AI 技术能力上限，关注 LLM 的复杂问答及推理能力，GPT-4o 由于倾向于提供较短的回答， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

2、前往「收件箱」查看完整解读