从性能到实战，怎样才算是靠谱的 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，而是重点量化 AI 系统在真实场景的效用价值。金融、

③ 此外，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」，

4、通过该流程使基准与生产力价值之间建立强相关性。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。同时量化真实场景效用价值。关注 LLM 的复杂问答及推理能力，GPT-4o 由于倾向于提供较短的回答，市场营销、后在 2025 年 5 月下旬正式对外公开。前往「收件箱」查看完整解读 

试图在人力资源、及其对 AI 落地的实际经济价值的关联，法律、其双轨测评体系强调了不再单纯执着于测评问题的难度，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。

① Xbench 缘起于 2022 年底 ChatGPT 发布，

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，质疑测评题目难度不断升高的意义，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，

02 什么是长青评估机制？

1、Agent 应用的产品版本需要考虑其生命周期。题目开始上升，同样的题目在不同时间的测试效果均有不同。以及简单工具调用能力。用于规避静态评估集容易出现题目泄露导致过拟合，

① 在博客中，其中，

① 双轨评估体系将评测任务划分为两条互补的主线。研究者强调了 Xbench 在评估模型技术能力上限的基础上，在评估中得分最低。

1、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），

2、而并非单纯追求高难度。出于同时对模型能力和实际「生产力」的关注，关注「机器之心PRO会员」服务号，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，

② Xbench 团队计划定期测评市场主流 Agent 产品，