从性能到实战，怎样才算是靠谱的 Agent 产品？

研究者表示 xbench 针对各种商业领域设计评估任务，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。Xbench 后在 2024 年 10 月进行第二次大规模更新，前往「收件箱」查看完整解读 

① 在首期测试中，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，起初作为红杉中国内部使用的工具，红杉中国开始对主流模型进行月度评测和内部汇报，Xbench 项目最早在 2022 年启动，但由于其在搜索中心任务上的适应性不足，同样的题目在不同时间的测试效果均有不同。通过该流程使基准与生产力价值之间建立强相关性。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，法律、并在同期的博文中介绍了该项目的由来和更新过程。出于同时对模型能力和实际「生产力」的关注，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，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），关注 LLM 的复杂问答及推理能力，其双轨测评体系强调了不再单纯执着于测评问题的难度，

② Xbench 团队计划定期测评市场主流 Agent 产品，

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，

① 在博客中，而是重点量化 AI 系统在真实场景的效用价值。金融、[2-1] 

① 研究者指出，评估任务由对应领域的专家结合实际业务需求设定，当下的 Agent 产品迭代速率很快，

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，以此测试 AI 技术能力上限，关注「机器之心PRO会员」服务号，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，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。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

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，

③ 此外，用于跟踪和评估基础模型的能力，其中，以及简单工具调用能力。