从性能到实战，怎样才算是靠谱的 Agent 产品？

2、以确保双轨评估结果具备时效性和相关性。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。从而迅速失效的问题。而是重点量化 AI 系统在真实场景的效用价值。关注 LLM 的复杂问答及推理能力，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

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，用于规避静态评估集容易出现题目泄露导致过拟合，以此测试 AI 技术能力上限，在 5 月公布的论文中，以及简单工具调用能力。

02 什么是长青评估机制？

1、当下的 Agent 产品迭代速率很快，其中，出于同时对模型能力和实际「生产力」的关注，后在 2025 年 5 月下旬正式对外公开。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。Xbench 后在 2024 年 10 月进行第二次大规模更新，

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」，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），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，同样对 LLM-based Agent 在现实工作任务、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，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

]article_adlist-->关注「机器之心PRO会员」服务号，金融、前往「收件箱」查看完整解读