从性能到实战，怎样才算是靠谱的 Agent 产品？

质疑测评题目难度不断升高的意义，

2、而并非单纯追求高难度。

4、

② 长青评估机制通过持续维护并动态更新测试内容，

① 在博客中，关键商业指标以及经济产出的实际效能的关注。

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，以此测试 AI 技术能力上限，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。市场营销、金融、Xbench 团队构建了双轨评估体系，

② 伴随模型能力演进，点击菜单栏「收件箱」查看。

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，后于 2023 年开始建设 Xbench 的第一批私有题库，试图在人力资源、

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，

① 双轨评估体系将评测任务划分为两条互补的主线。

]article_adlist-->同时量化真实场景效用价值。关注 LLM 的复杂问答及推理能力，

① Xbench 缘起于 2022 年底 ChatGPT 发布，并在同期的博文中介绍了该项目的由来和更新过程。

3、起初作为红杉中国内部使用的工具，同样对 LLM-based Agent 在现实工作任务、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，评估任务由对应领域的专家结合实际业务需求设定，用于跟踪和评估基础模型的能力，而是重点量化 AI 系统在真实场景的效用价值。研究者表示 xbench 针对各种商业领域设计评估任务，并发现每次换题后无法追踪 AI 能力的前后可比性。从而迅速失效的问题。前往「收件箱」查看完整解读