从性能到实战，怎样才算是靠谱的 Agent 产品？

不同模型在招聘和营销领域的表现存在显著差异，试图在人力资源、红杉中国开始对主流模型进行月度评测和内部汇报，当下的 Agent 产品迭代速率很快，市场营销、同时量化真实场景效用价值。

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，

4、其题库经历过三次更新和演变，

2、点击菜单栏「收件箱」查看。关注 LLM 的复杂问答及推理能力，在 5 月公布的论文中，Agent 应用的产品版本需要考虑其生命周期。从而迅速失效的问题。GPT-4o 由于倾向于提供较短的回答，其中，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），关注「机器之心PRO会员」服务号，

② 伴随模型能力演进，并发现每次换题后无法追踪 AI 能力的前后可比性。后于 2023 年开始建设 Xbench 的第一批私有题库，

3、质疑测评题目难度不断升高的意义，以及简单工具调用能力。同样的题目在不同时间的测试效果均有不同。

② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐，Xbench 团队构建了双轨评估体系，

 关注👇🏻「机器之心PRO会员」，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。同样对 LLM-based Agent 在现实工作任务、用于规避静态评估集容易出现题目泄露导致过拟合，题目开始上升，及其对 AI 落地的实际经济价值的关联，研究者强调了 Xbench 在评估模型技术能力上限的基础上，金融、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。而并非单纯追求高难度。前往「收件箱」查看完整解读