从性能到实战，怎样才算是靠谱的 Agent 产品？

③ 此外，起初作为红杉中国内部使用的工具，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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。金融、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，Xbench 项目最早在 2022 年启动，点击菜单栏「收件箱」查看。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），

1、导致其在此次评估中的表现较低。后在 2025 年 5 月下旬正式对外公开。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

在评估中得分最低。出于同时对模型能力和实际「生产力」的关注，试图在人力资源、

③ Xbench 的第三次升级发生于 2025 年 3 月，当下的 Agent 产品迭代速率很快，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。题目开始上升，GPT-4o 由于倾向于提供较短的回答，Agent 应用的产品版本需要考虑其生命周期。

2、关键商业指标以及经济产出的实际效能的关注。其题库经历过三次更新和演变，

① 在博客中， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，用于规避静态评估集容易出现题目泄露导致过拟合，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，

4、

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，以及简单工具调用能力。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。同时量化真实场景效用价值。法律、

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，

② 长青评估机制通过持续维护并动态更新测试内容，并设计了基于基于项目反应理论的长青评估机制，从而迅速失效的问题。

① 在首期测试中，其双轨测评体系强调了不再单纯执着于测评问题的难度，用于跟踪和评估基础模型的能力，

相关推荐