从性能到实战，怎样才算是靠谱的 Agent 产品？

Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，同时量化真实场景效用价值。

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，研究者强调了 Xbench 在评估模型技术能力上限的基础上，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，评估任务由对应领域的专家结合实际业务需求设定，在评估中得分最低。通过该流程使基准与生产力价值之间建立强相关性。Agent 应用的产品版本需要考虑其生命周期。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

2、并设计了基于基于项目反应理论的长青评估机制，当下的 Agent 产品迭代速率很快，并在同期的博文中介绍了该项目的由来和更新过程。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，其题库经历过三次更新和演变，同样对 LLM-based Agent 在现实工作任务、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」，用于跟踪和评估基础模型的能力，在 5 月公布的论文中，同样的题目在不同时间的测试效果均有不同。前往「收件箱」查看完整解读 

1、研究者表示 xbench 针对各种商业领域设计评估任务，法律、