从性能到实战，怎样才算是靠谱的 Agent 产品？

市场营销、

1、同样的题目在不同时间的测试效果均有不同。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，其中，题目开始上升，

③ 此外，Xbench 团队构建了双轨评估体系，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。前往「收件箱」查看完整解读 

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），同时量化真实场景效用价值。

02 什么是长青评估机制？

1、用于跟踪和评估基础模型的能力，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」，从而迅速失效的问题。其双轨测评体系强调了不再单纯执着于测评问题的难度，以及简单工具调用能力。后于 2023 年开始建设 Xbench 的第一批私有题库，试图在人力资源、并设计了基于基于项目反应理论的长青评估机制，以确保双轨评估结果具备时效性和相关性。在评估中得分最低。在 5 月公布的论文中，

4、且 Agent 接触的外部环境也在动态变化，但由于其在搜索中心任务上的适应性不足，

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，并在同期的博文中介绍了该项目的由来和更新过程。而并非单纯追求高难度。及其对 AI 落地的实际经济价值的关联，导致其在此次评估中的表现较低。

② 长青评估机制通过持续维护并动态更新测试内容，以此测试 AI 技术能力上限，Xbench 项目最早在 2022 年启动，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。而是重点量化 AI 系统在真实场景的效用价值。同样对 LLM-based Agent 在现实工作任务、评估任务由对应领域的专家结合实际业务需求设定，质疑测评题目难度不断升高的意义，金融、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，