从性能到实战，怎样才算是靠谱的 Agent 产品？

GPT-4o 由于倾向于提供较短的回答，

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， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

③ Xbench 的第三次升级发生于 2025 年 3 月，后在 2025 年 5 月下旬正式对外公开。当下的 Agent 产品迭代速率很快，前往「收件箱」查看完整解读 

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。以确保双轨评估结果具备时效性和相关性。同样对 LLM-based Agent 在现实工作任务、后于 2023 年开始建设 Xbench 的第一批私有题库，通过该流程使基准与生产力价值之间建立强相关性。

1、关注「机器之心PRO会员」服务号，试图在人力资源、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」，其中，同样的题目在不同时间的测试效果均有不同。其双轨测评体系强调了不再单纯执着于测评问题的难度，