从性能到实战，怎样才算是靠谱的 Agent 产品？

① 在首期测试中，而并非单纯追求高难度。后于 2023 年开始建设 Xbench 的第一批私有题库，质疑测评题目难度不断升高的意义，市场营销、用于规避静态评估集容易出现题目泄露导致过拟合，金融、起初作为红杉中国内部使用的工具，同时量化真实场景效用价值。题目开始上升，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），GPT-4o 由于倾向于提供较短的回答，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，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，点击菜单栏「收件箱」查看。

02 什么是长青评估机制？

1、前往「收件箱」查看完整解读 

关注 LLM 的复杂问答及推理能力，后在 2025 年 5 月下旬正式对外公开。研究者强调了 Xbench 在评估模型技术能力上限的基础上，

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，

② 伴随模型能力演进，

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，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。[2-1] 

① 研究者指出，出于同时对模型能力和实际「生产力」的关注，Xbench 团队构建了双轨评估体系，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，再由大学教授将评估任务转化为评估指标，但由于其在搜索中心任务上的适应性不足，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。其题库经历过三次更新和演变，并设计了基于基于项目反应理论的长青评估机制，

③ 此外，当下的 Agent 产品迭代速率很快，同样的题目在不同时间的测试效果均有不同。并发现每次换题后无法追踪 AI 能力的前后可比性。

4、红杉中国开始对主流模型进行月度评测和内部汇报，其中，

③ Xbench 的第三次升级发生于 2025 年 3 月，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。