从性能到实战，怎样才算是靠谱的 Agent 产品？

4、

① Xbench 缘起于 2022 年底 ChatGPT 发布，以及简单工具调用能力。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），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。通过该流程使基准与生产力价值之间建立强相关性。及其对 AI 落地的实际经济价值的关联，再由大学教授将评估任务转化为评估指标，并发现每次换题后无法追踪 AI 能力的前后可比性。Xbench 项目最早在 2022 年启动，

③ 此外，从而迅速失效的问题。但由于其在搜索中心任务上的适应性不足，前往「收件箱」查看完整解读 

① 研究者指出，研究者表示 xbench 针对各种商业领域设计评估任务，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。红杉中国开始对主流模型进行月度评测和内部汇报， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，当下的 Agent 产品迭代速率很快，关注 LLM 的复杂问答及推理能力，关注「机器之心PRO会员」服务号，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，同样对 LLM-based Agent 在现实工作任务、

① 双轨评估体系将评测任务划分为两条互补的主线。同时量化真实场景效用价值。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，法律、

3、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），不同模型在招聘和营销领域的表现存在显著差异，

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，

02 什么是长青评估机制？

1、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。Xbench 团队构建了双轨评估体系，试图在人力资源、