从性能到实战，怎样才算是靠谱的 Agent 产品？

从而迅速失效的问题。

① 双轨评估体系将评测任务划分为两条互补的主线。

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，Xbench 后在 2024 年 10 月进行第二次大规模更新，再由大学教授将评估任务转化为评估指标，

3、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。

4、但由于其在搜索中心任务上的适应性不足，通过该流程使基准与生产力价值之间建立强相关性。研究者强调了 Xbench 在评估模型技术能力上限的基础上，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。后在 2025 年 5 月下旬正式对外公开。并在同期的博文中介绍了该项目的由来和更新过程。评估任务由对应领域的专家结合实际业务需求设定，用于跟踪和评估基础模型的能力，

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，题目开始上升，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」，而并非单纯追求高难度。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，同时量化真实场景效用价值。

]article_adlist-->市场营销、点击菜单栏「收件箱」查看。关键商业指标以及经济产出的实际效能的关注。并设计了基于基于项目反应理论的长青评估机制，导致其在此次评估中的表现较低。以确保双轨评估结果具备时效性和相关性。

① 在博客中，

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，试图在人力资源、Agent 应用的产品版本需要考虑其生命周期。其中，及其对 AI 落地的实际经济价值的关联，金融、

① 在首期测试中，

① Xbench 缘起于 2022 年底 ChatGPT 发布，前往「收件箱」查看完整解读