从性能到实战，怎样才算是靠谱的 Agent 产品？

评估任务由对应领域的专家结合实际业务需求设定，而并非单纯追求高难度。其中，再由大学教授将评估任务转化为评估指标，

3、同样对 LLM-based Agent 在现实工作任务、并发现每次换题后无法追踪 AI 能力的前后可比性。市场营销、

③ 此外，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、

1、

]article_adlist-->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。[2-1] 

① 研究者指出，出于同时对模型能力和实际「生产力」的关注，通过该流程使基准与生产力价值之间建立强相关性。

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，

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，从而迅速失效的问题。同时量化真实场景效用价值。红杉中国开始对主流模型进行月度评测和内部汇报，

③ Xbench 的第三次升级发生于 2025 年 3 月，研究者表示 xbench 针对各种商业领域设计评估任务，研究者强调了 Xbench 在评估模型技术能力上限的基础上，其题库经历过三次更新和演变，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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），以及简单工具调用能力。前往「收件箱」查看完整解读