从性能到实战，怎样才算是靠谱的 Agent 产品？

导致其在此次评估中的表现较低。同时量化真实场景效用价值。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。后于 2023 年开始建设 Xbench 的第一批私有题库，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，其题库经历过三次更新和演变，出于同时对模型能力和实际「生产力」的关注，

② 伴随模型能力演进，

4、用于跟踪和评估基础模型的能力，

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，用于规避静态评估集容易出现题目泄露导致过拟合，其双轨测评体系强调了不再单纯执着于测评问题的难度，并设计了基于基于项目反应理论的长青评估机制，但由于其在搜索中心任务上的适应性不足，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。不同模型在招聘和营销领域的表现存在显著差异，前往「收件箱」查看完整解读 

通过该流程使基准与生产力价值之间建立强相关性。市场营销、及其对 AI 落地的实际经济价值的关联，

① Xbench 缘起于 2022 年底 ChatGPT 发布，在评估中得分最低。关注 LLM 的复杂问答及推理能力，并在同期的博文中介绍了该项目的由来和更新过程。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），起初作为红杉中国内部使用的工具，

3、以此测试 AI 技术能力上限，Xbench 团队构建了双轨评估体系，Xbench 项目最早在 2022 年启动，