从性能到实战，怎样才算是靠谱的 Agent 产品？

② 伴随模型能力演进，通过该流程使基准与生产力价值之间建立强相关性。并发现每次换题后无法追踪 AI 能力的前后可比性。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），GPT-4o 由于倾向于提供较短的回答，

③ Xbench 的第三次升级发生于 2025 年 3 月，

1、

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，Agent 应用的产品版本需要考虑其生命周期。后在 2025 年 5 月下旬正式对外公开。在 5 月公布的论文中，用于规避静态评估集容易出现题目泄露导致过拟合，评估任务由对应领域的专家结合实际业务需求设定，同样的题目在不同时间的测试效果均有不同。题目开始上升，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，并在同期的博文中介绍了该项目的由来和更新过程。在评估中得分最低。而并非单纯追求高难度。

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，

① 双轨评估体系将评测任务划分为两条互补的主线。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，前往「收件箱」查看完整解读 

02 什么是长青评估机制？

1、出于同时对模型能力和实际「生产力」的关注，法律、

3、当下的 Agent 产品迭代速率很快，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」，其双轨测评体系强调了不再单纯执着于测评问题的难度，点击菜单栏「收件箱」查看。

③ 此外，