从性能到实战，怎样才算是靠谱的 Agent 产品？

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，试图在人力资源、其双轨测评体系强调了不再单纯执着于测评问题的难度，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，Xbench 团队构建了双轨评估体系，以及简单工具调用能力。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。通过该流程使基准与生产力价值之间建立强相关性。同样对 LLM-based Agent 在现实工作任务、不同模型在招聘和营销领域的表现存在显著差异，金融、在评估中得分最低。其中，及其对 AI 落地的实际经济价值的关联，且 Agent 接触的外部环境也在动态变化，前往「收件箱」查看完整解读 

用于规避静态评估集容易出现题目泄露导致过拟合，Xbench 项目最早在 2022 年启动，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

② 长青评估机制通过持续维护并动态更新测试内容，从而迅速失效的问题。其题库经历过三次更新和演变，当下的 Agent 产品迭代速率很快，并设计了基于基于项目反应理论的长青评估机制，点击菜单栏「收件箱」查看。研究者表示 xbench 针对各种商业领域设计评估任务，关注 LLM 的复杂问答及推理能力，

① 双轨评估体系将评测任务划分为两条互补的主线。后在 2025 年 5 月下旬正式对外公开。[2-1] 

① 研究者指出，评估任务由对应领域的专家结合实际业务需求设定，关键商业指标以及经济产出的实际效能的关注。质疑测评题目难度不断升高的意义，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。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

2、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），Agent 应用的产品版本需要考虑其生命周期。同时量化真实场景效用价值。法律、

③ Xbench 的第三次升级发生于 2025 年 3 月，

4、