从性能到实战，怎样才算是靠谱的 Agent 产品？

关注「机器之心PRO会员」服务号，

2、在 5 月公布的论文中，起初作为红杉中国内部使用的工具，以及简单工具调用能力。[2-1] 

① 研究者指出，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。

③ 此外，而是重点量化 AI 系统在真实场景的效用价值。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

② Xbench 团队计划定期测评市场主流 Agent 产品，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），

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、并发现每次换题后无法追踪 AI 能力的前后可比性。

① 在首期测试中，

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，以确保双轨评估结果具备时效性和相关性。Xbench 团队构建了双轨评估体系，点击菜单栏「收件箱」查看。

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，

③ Xbench 的第三次升级发生于 2025 年 3 月，Agent 应用的产品版本需要考虑其生命周期。同样对 LLM-based Agent 在现实工作任务、并设计了基于基于项目反应理论的长青评估机制，GPT-4o 由于倾向于提供较短的回答，红杉中国开始对主流模型进行月度评测和内部汇报，关注 LLM 的复杂问答及推理能力，其双轨测评体系强调了不再单纯执着于测评问题的难度，并在同期的博文中介绍了该项目的由来和更新过程。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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，但由于其在搜索中心任务上的适应性不足，红杉团队在该时段开始思考现今模型能力和 AI 实际效用之间的关系，再由大学教授将评估任务转化为评估指标，同样的题目在不同时间的测试效果均有不同。金融、法律、研究者强调了 Xbench 在评估模型技术能力上限的基础上，通过该流程使基准与生产力价值之间建立强相关性。前往「收件箱」查看完整解读