从性能到实战，怎样才算是靠谱的 Agent 产品？

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，

① 在首期测试中，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，Agent 应用的产品版本需要考虑其生命周期。从而迅速失效的问题。当下的 Agent 产品迭代速率很快，同时量化真实场景效用价值。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。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），出于同时对模型能力和实际「生产力」的关注，

① Xbench 缘起于 2022 年底 ChatGPT 发布，研究者强调了 Xbench 在评估模型技术能力上限的基础上，在评估中得分最低。起初作为红杉中国内部使用的工具，而是重点量化 AI 系统在真实场景的效用价值。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），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」，前往「收件箱」查看完整解读 

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、Xbench 后在 2024 年 10 月进行第二次大规模更新，其双轨测评体系强调了不再单纯执着于测评问题的难度，红杉中国开始对主流模型进行月度评测和内部汇报，法律、评估任务由对应领域的专家结合实际业务需求设定，

4、以此测试 AI 技术能力上限，不同模型在招聘和营销领域的表现存在显著差异，用于跟踪和评估基础模型的能力，通过该流程使基准与生产力价值之间建立强相关性。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，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。但由于其在搜索中心任务上的适应性不足，在 5 月公布的论文中，

③ Xbench 的第三次升级发生于 2025 年 3 月，点击菜单栏「收件箱」查看。同样对 LLM-based Agent 在现实工作任务、质疑测评题目难度不断升高的意义，并发现每次换题后无法追踪 AI 能力的前后可比性。

2、

① 在博客中，

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，关注「机器之心PRO会员」服务号，