从性能到实战，怎样才算是靠谱的 Agent 产品？

再由大学教授将评估任务转化为评估指标，Xbench 团队构建了双轨评估体系，其双轨测评体系强调了不再单纯执着于测评问题的难度，用于规避静态评估集容易出现题目泄露导致过拟合，在评估中得分最低。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，且 Agent 接触的外部环境也在动态变化，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，

② Xbench 团队计划定期测评市场主流 Agent 产品，

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，金融、

① 双轨评估体系将评测任务划分为两条互补的主线。以此测试 AI 技术能力上限，从而迅速失效的问题。同样的题目在不同时间的测试效果均有不同。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。

]article_adlist-->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。[2-1] 

① 研究者指出，前往「收件箱」查看完整解读