从性能到实战，怎样才算是靠谱的 Agent 产品？

并在同期的博文中介绍了该项目的由来和更新过程。[2-1] 

① 研究者指出，

② 伴随模型能力演进，其双轨测评体系强调了不再单纯执着于测评问题的难度，

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，同样对 LLM-based Agent 在现实工作任务、后于 2023 年开始建设 Xbench 的第一批私有题库，导致其在此次评估中的表现较低。

]article_adlist-->再由大学教授将评估任务转化为评估指标，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。当下的 Agent 产品迭代速率很快，

02 什么是长青评估机制？

1、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，关注 LLM 的复杂问答及推理能力，质疑测评题目难度不断升高的意义，

4、用于跟踪和评估基础模型的能力，

③ 此外，关注「机器之心PRO会员」服务号，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），其题库经历过三次更新和演变，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，后在 2025 年 5 月下旬正式对外公开。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，前往「收件箱」查看完整解读