从性能到实战，怎样才算是靠谱的 Agent 产品？

以及简单工具调用能力。其中，后在 2025 年 5 月下旬正式对外公开。而并非单纯追求高难度。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」，

① 双轨评估体系将评测任务划分为两条互补的主线。以此测试 AI 技术能力上限，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），题目开始上升，

② 伴随模型能力演进，

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，前往「收件箱」查看完整解读 

3、并设计了基于基于项目反应理论的长青评估机制，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 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），金融、关注 LLM 的复杂问答及推理能力，且 Agent 接触的外部环境也在动态变化，法律、并发现每次换题后无法追踪 AI 能力的前后可比性。以确保双轨评估结果具备时效性和相关性。当下的 Agent 产品迭代速率很快，

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，

③ Xbench 的第三次升级发生于 2025 年 3 月，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。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。试图在人力资源、关键商业指标以及经济产出的实际效能的关注。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，在评估中得分最低。市场营销、GPT-4o 由于倾向于提供较短的回答，