从性能到实战，怎样才算是靠谱的 Agent 产品？

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。以确保双轨评估结果具备时效性和相关性。并发现每次换题后无法追踪 AI 能力的前后可比性。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），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，

]article_adlist-->Xbench 后在 2024 年 10 月进行第二次大规模更新，不同模型在招聘和营销领域的表现存在显著差异，

① Xbench 缘起于 2022 年底 ChatGPT 发布，试图在人力资源、

③ Xbench 的第三次升级发生于 2025 年 3 月， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，在 5 月公布的论文中，金融、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」，Xbench 团队构建了双轨评估体系，且 Agent 接触的外部环境也在动态变化，起初作为红杉中国内部使用的工具，用于规避静态评估集容易出现题目泄露导致过拟合，

02 什么是长青评估机制？

1、

2、其双轨测评体系强调了不再单纯执着于测评问题的难度，质疑测评题目难度不断升高的意义，并在同期的博文中介绍了该项目的由来和更新过程。

② 伴随模型能力演进，用于跟踪和评估基础模型的能力，

② Xbench 团队计划定期测评市场主流 Agent 产品，

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，以此测试 AI 技术能力上限，

4、前往「收件箱」查看完整解读