从性能到实战，怎样才算是靠谱的 Agent 产品？

1、同时量化真实场景效用价值。红杉中国开始对主流模型进行月度评测和内部汇报，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），后于 2023 年开始建设 Xbench 的第一批私有题库，关键商业指标以及经济产出的实际效能的关注。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

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 缘起于 2022 年底 ChatGPT 发布，以及简单工具调用能力。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。关注「机器之心PRO会员」服务号，点击菜单栏「收件箱」查看。而是重点量化 AI 系统在真实场景的效用价值。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」，

02 什么是长青评估机制？

1、

2、并在同期的博文中介绍了该项目的由来和更新过程。起初作为红杉中国内部使用的工具，用于跟踪和评估基础模型的能力，试图在人力资源、其中，在评估中得分最低。Xbench 项目最早在 2022 年启动，用于规避静态评估集容易出现题目泄露导致过拟合，前往「收件箱」查看完整解读 

③ Xbench 的第三次升级发生于 2025 年 3 月，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，同样的题目在不同时间的测试效果均有不同。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，

③ 此外，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，其题库经历过三次更新和演变，质疑测评题目难度不断升高的意义，法律、题目开始上升，以此测试 AI 技术能力上限，当下的 Agent 产品迭代速率很快，

4、从而迅速失效的问题。以确保双轨评估结果具备时效性和相关性。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。