从性能到实战，怎样才算是靠谱的 Agent 产品？

① Xbench 缘起于 2022 年底 ChatGPT 发布，

2、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），同时量化真实场景效用价值。再由大学教授将评估任务转化为评估指标，并在同期的博文中介绍了该项目的由来和更新过程。起初作为红杉中国内部使用的工具，以此测试 AI 技术能力上限，

③ 此外，当下的 Agent 产品迭代速率很快，市场营销、以及简单工具调用能力。及其对 AI 落地的实际经济价值的关联，

4、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。红杉团队在该时段开始思考现今模型能力和 AI 实际效用之间的关系，并发现每次换题后无法追踪 AI 能力的前后可比性。

② 长青评估机制通过持续维护并动态更新测试内容，同样对 LLM-based Agent 在现实工作任务、从而迅速失效的问题。质疑测评题目难度不断升高的意义，其双轨测评体系强调了不再单纯执着于测评问题的难度，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，题目开始上升，在 5 月公布的论文中，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，

3、

② Xbench 团队计划定期测评市场主流 Agent 产品，前往「收件箱」查看完整解读 

① 在首期测试中，导致其在此次评估中的表现较低。

① 在博客中，金融、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。法律、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，而是重点量化 AI 系统在真实场景的效用价值。

1、关键商业指标以及经济产出的实际效能的关注。以确保双轨评估结果具备时效性和相关性。而并非单纯追求高难度。

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，点击菜单栏「收件箱」查看。Agent 应用的产品版本需要考虑其生命周期。