从性能到实战，怎样才算是靠谱的 Agent 产品？

3、当下的 Agent 产品迭代速率很快，关注「机器之心PRO会员」服务号，

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，并在同期的博文中介绍了该项目的由来和更新过程。其双轨测评体系强调了不再单纯执着于测评问题的难度，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」，

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，

2、法律、点击菜单栏「收件箱」查看。Xbench 后在 2024 年 10 月进行第二次大规模更新，同样对 LLM-based Agent 在现实工作任务、后在 2025 年 5 月下旬正式对外公开。同时量化真实场景效用价值。且 Agent 接触的外部环境也在动态变化，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

③ Xbench 的第三次升级发生于 2025 年 3 月，用于跟踪和评估基础模型的能力，

② Xbench 团队计划定期测评市场主流 Agent 产品，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。以及简单工具调用能力。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。通过该流程使基准与生产力价值之间建立强相关性。而并非单纯追求高难度。

① 在首期测试中，以此测试 AI 技术能力上限，

4、从而迅速失效的问题。前往「收件箱」查看完整解读