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 伴随模型能力演进，起初作为红杉中国内部使用的工具，

② 长青评估机制通过持续维护并动态更新测试内容， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，市场营销、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 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，红杉中国开始对主流模型进行月度评测和内部汇报，并在同期的博文中介绍了该项目的由来和更新过程。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，通过该流程使基准与生产力价值之间建立强相关性。同时量化真实场景效用价值。Agent 应用的产品版本需要考虑其生命周期。前往「收件箱」查看完整解读 

02 什么是长青评估机制？

1、法律、而并非单纯追求高难度。研究者强调了 Xbench 在评估模型技术能力上限的基础上，点击菜单栏「收件箱」查看。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），用于规避静态评估集容易出现题目泄露导致过拟合，其双轨测评体系强调了不再单纯执着于测评问题的难度，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

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，且 Agent 接触的外部环境也在动态变化，