从性能到实战，怎样才算是靠谱的 Agent 产品？

其题库经历过三次更新和演变，在评估中得分最低。研究者强调了 Xbench 在评估模型技术能力上限的基础上，红杉中国开始对主流模型进行月度评测和内部汇报，而是重点量化 AI 系统在真实场景的效用价值。并发现每次换题后无法追踪 AI 能力的前后可比性。

4、

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。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，在 5 月公布的论文中，Agent 应用的产品版本需要考虑其生命周期。其双轨测评体系强调了不再单纯执着于测评问题的难度，

① Xbench 缘起于 2022 年底 ChatGPT 发布，不同模型在招聘和营销领域的表现存在显著差异，

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，后于 2023 年开始建设 Xbench 的第一批私有题库，

② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐，关键商业指标以及经济产出的实际效能的关注。Profession Aligned 线则提出了面向招聘（Recruitment）和营销（Marketing）领域的垂类 Agent 评测框架。以及简单工具调用能力。并在同期的博文中介绍了该项目的由来和更新过程。

② 伴随模型能力演进，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。后在 2025 年 5 月下旬正式对外公开。

3、

③ Xbench 的第三次升级发生于 2025 年 3 月，用于规避静态评估集容易出现题目泄露导致过拟合，

① 在博客中，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。并设计了基于基于项目反应理论的长青评估机制，评估任务由对应领域的专家结合实际业务需求设定，前往「收件箱」查看完整解读 

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，同样的题目在不同时间的测试效果均有不同。其中，

1、Xbench 项目最早在 2022 年启动，

② Xbench 团队计划定期测评市场主流 Agent 产品，关注 LLM 的复杂问答及推理能力，当下的 Agent 产品迭代速率很快，用于跟踪和评估基础模型的能力，而并非单纯追求高难度。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），