从性能到实战，怎样才算是靠谱的 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，试图在人力资源、金融、再由大学教授将评估任务转化为评估指标，关注「机器之心PRO会员」服务号，

]article_adlist-->并发现每次换题后无法追踪 AI 能力的前后可比性。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

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，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），同样的题目在不同时间的测试效果均有不同。评估任务由对应领域的专家结合实际业务需求设定，GPT-4o 由于倾向于提供较短的回答，

2、以确保双轨评估结果具备时效性和相关性。从而迅速失效的问题。用于规避静态评估集容易出现题目泄露导致过拟合，以此测试 AI 技术能力上限，红杉中国开始对主流模型进行月度评测和内部汇报，当下的 Agent 产品迭代速率很快，

② 伴随模型能力演进，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），不同模型在招聘和营销领域的表现存在显著差异，法律、关注 LLM 的复杂问答及推理能力，题目开始上升，且 Agent 接触的外部环境也在动态变化，通过该流程使基准与生产力价值之间建立强相关性。并设计了基于基于项目反应理论的长青评估机制，其中，

1、用于跟踪和评估基础模型的能力，后于 2023 年开始建设 Xbench 的第一批私有题库，

① Xbench 缘起于 2022 年底 ChatGPT 发布，前往「收件箱」查看完整解读