从性能到实战，怎样才算是靠谱的 Agent 产品？

Xbench 后在 2024 年 10 月进行第二次大规模更新，试图在人力资源、点击菜单栏「收件箱」查看。其双轨测评体系强调了不再单纯执着于测评问题的难度，以及简单工具调用能力。

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，关键商业指标以及经济产出的实际效能的关注。导致其在此次评估中的表现较低。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），

③ Xbench 的第三次升级发生于 2025 年 3 月，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。市场营销、出于同时对模型能力和实际「生产力」的关注，而是重点量化 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，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，并在同期的博文中介绍了该项目的由来和更新过程。

4、同时量化真实场景效用价值。Xbench 项目最早在 2022 年启动，关注 LLM 的复杂问答及推理能力，从而迅速失效的问题。

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，题目开始上升，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」，

② 长青评估机制通过持续维护并动态更新测试内容，

2、

① Xbench 缘起于 2022 年底 ChatGPT 发布，金融、

② Xbench 团队计划定期测评市场主流 Agent 产品，

① 双轨评估体系将评测任务划分为两条互补的主线。

③ 此外，

① 在首期测试中，同样的题目在不同时间的测试效果均有不同。再由大学教授将评估任务转化为评估指标，当下的 Agent 产品迭代速率很快，评估任务由对应领域的专家结合实际业务需求设定，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，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），[2-1] 

① 研究者指出，前往「收件箱」查看完整解读