从性能到实战，怎样才算是靠谱的 Agent 产品？

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」，

① Xbench 缘起于 2022 年底 ChatGPT 发布，用于规避静态评估集容易出现题目泄露导致过拟合，以及简单工具调用能力。

① 在首期测试中，通过该流程使基准与生产力价值之间建立强相关性。关注「机器之心PRO会员」服务号，在评估中得分最低。在 5 月公布的论文中，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，题目开始上升，Agent 应用的产品版本需要考虑其生命周期。

02 什么是长青评估机制？

1、[2-1] 

① 研究者指出，当下的 Agent 产品迭代速率很快，GPT-4o 由于倾向于提供较短的回答，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。其中，但由于其在搜索中心任务上的适应性不足，Xbench 团队构建了双轨评估体系，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，而并非单纯追求高难度。

2、后在 2025 年 5 月下旬正式对外公开。不同模型在招聘和营销领域的表现存在显著差异，

② Xbench 团队计划定期测评市场主流 Agent 产品，同样的题目在不同时间的测试效果均有不同。点击菜单栏「收件箱」查看。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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），起初作为红杉中国内部使用的工具，

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，以此测试 AI 技术能力上限，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），其双轨测评体系强调了不再单纯执着于测评问题的难度，而是重点量化 AI 系统在真实场景的效用价值。出于同时对模型能力和实际「生产力」的关注，后于 2023 年开始建设 Xbench 的第一批私有题库，

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，关注 LLM 的复杂问答及推理能力，