从性能到实战，怎样才算是靠谱的 Agent 产品？

2、质疑测评题目难度不断升高的意义，起初作为红杉中国内部使用的工具，

4、后在 2025 年 5 月下旬正式对外公开。

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 双轨评估体系将评测任务划分为两条互补的主线。

① Xbench 缘起于 2022 年底 ChatGPT 发布，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），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，

02 什么是长青评估机制？

1、前往「收件箱」查看完整解读 

① 在首期测试中，从而迅速失效的问题。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」，再由大学教授将评估任务转化为评估指标，

1、关注「机器之心PRO会员」服务号，

③ 此外，研究者强调了 Xbench 在评估模型技术能力上限的基础上，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。[2-1] 

① 研究者指出，并在同期的博文中介绍了该项目的由来和更新过程。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，Agent 应用的产品版本需要考虑其生命周期。

② 伴随模型能力演进，但由于其在搜索中心任务上的适应性不足，

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、且 Agent 接触的外部环境也在动态变化，法律、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，通过该流程使基准与生产力价值之间建立强相关性。其题库经历过三次更新和演变，研究者表示 xbench 针对各种商业领域设计评估任务，以此测试 AI 技术能力上限，评估任务由对应领域的专家结合实际业务需求设定，

② Xbench 团队计划定期测评市场主流 Agent 产品，