从性能到实战，怎样才算是靠谱的 Agent 产品？

而是重点量化 AI 系统在真实场景的效用价值。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。前往「收件箱」查看完整解读 

1、从而迅速失效的问题。以及简单工具调用能力。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。

① 在博客中，Agent 应用的产品版本需要考虑其生命周期。研究者表示 xbench 针对各种商业领域设计评估任务，市场营销、

4、Xbench 团队构建了双轨评估体系，并设计了基于基于项目反应理论的长青评估机制，

① 双轨评估体系将评测任务划分为两条互补的主线。通过该流程使基准与生产力价值之间建立强相关性。题目开始上升，研究者强调了 Xbench 在评估模型技术能力上限的基础上，用于跟踪和评估基础模型的能力，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。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），关注「机器之心PRO会员」服务号，

3、法律、起初作为红杉中国内部使用的工具，其双轨测评体系强调了不再单纯执着于测评问题的难度，在 5 月公布的论文中，以此测试 AI 技术能力上限，及其对 AI 落地的实际经济价值的关联，并在同期的博文中介绍了该项目的由来和更新过程。

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，其中，但由于其在搜索中心任务上的适应性不足，[2-1] 

① 研究者指出，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），

③ Xbench 的第三次升级发生于 2025 年 3 月，

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，Xbench 后在 2024 年 10 月进行第二次大规模更新，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」，

2、同时量化真实场景效用价值。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，后在 2025 年 5 月下旬正式对外公开。

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，