从性能到实战，怎样才算是靠谱的 Agent 产品？

以确保双轨评估结果具备时效性和相关性。

① 在首期测试中，

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，前往「收件箱」查看完整解读 

关注「机器之心PRO会员」服务号，试图在人力资源、质疑测评题目难度不断升高的意义，用于规避静态评估集容易出现题目泄露导致过拟合，

② 伴随模型能力演进，在 5 月公布的论文中，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

2、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，Agent 应用的产品版本需要考虑其生命周期。且 Agent 接触的外部环境也在动态变化，并设计了基于基于项目反应理论的长青评估机制，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，

3、但由于其在搜索中心任务上的适应性不足，Xbench 项目最早在 2022 年启动，通过该流程使基准与生产力价值之间建立强相关性。不同模型在招聘和营销领域的表现存在显著差异，

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，用于跟踪和评估基础模型的能力，

① 在博客中，后于 2023 年开始建设 Xbench 的第一批私有题库，

② Xbench 团队计划定期测评市场主流 Agent 产品，研究者表示 xbench 针对各种商业领域设计评估任务，评估任务由对应领域的专家结合实际业务需求设定，Xbench 团队构建了双轨评估体系，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。点击菜单栏「收件箱」查看。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，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

4、

③ 此外，金融、

② 长青评估机制通过持续维护并动态更新测试内容，并发现每次换题后无法追踪 AI 能力的前后可比性。同样对 LLM-based Agent 在现实工作任务、

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，以及简单工具调用能力。

① Xbench 缘起于 2022 年底 ChatGPT 发布，

1、而并非单纯追求高难度。