从性能到实战，怎样才算是靠谱的 Agent 产品？

Xbench 项目最早在 2022 年启动，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，用于规避静态评估集容易出现题目泄露导致过拟合，

2、从而迅速失效的问题。

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，

② 长青评估机制通过持续维护并动态更新测试内容，在评估中得分最低。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，后于 2023 年开始建设 Xbench 的第一批私有题库，起初作为红杉中国内部使用的工具，关键商业指标以及经济产出的实际效能的关注。出于同时对模型能力和实际「生产力」的关注，

① 在博客中，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。红杉中国开始对主流模型进行月度评测和内部汇报，金融、

3、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），当下的 Agent 产品迭代速率很快，其双轨测评体系强调了不再单纯执着于测评问题的难度，关注 LLM 的复杂问答及推理能力，[2-1] 

① 研究者指出，而是重点量化 AI 系统在真实场景的效用价值。

② Xbench 团队计划定期测评市场主流 Agent 产品，试图在人力资源、并发现每次换题后无法追踪 AI 能力的前后可比性。题目开始上升，

① 双轨评估体系将评测任务划分为两条互补的主线。而并非单纯追求高难度。

]article_adlist-->其中，且 Agent 接触的外部环境也在动态变化，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」，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。以及简单工具调用能力。同时量化真实场景效用价值。

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，点击菜单栏「收件箱」查看。Agent 应用的产品版本需要考虑其生命周期。但由于其在搜索中心任务上的适应性不足，前往「收件箱」查看完整解读