从性能到实战，怎样才算是靠谱的 Agent 产品？

2、及其对 AI 落地的实际经济价值的关联，以及简单工具调用能力。红杉中国开始对主流模型进行月度评测和内部汇报，

① 在首期测试中，并发现每次换题后无法追踪 AI 能力的前后可比性。在 5 月公布的论文中，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。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，并在同期的博文中介绍了该项目的由来和更新过程。导致其在此次评估中的表现较低。后在 2025 年 5 月下旬正式对外公开。关键商业指标以及经济产出的实际效能的关注。

② Xbench 团队计划定期测评市场主流 Agent 产品，而并非单纯追求高难度。评估任务由对应领域的专家结合实际业务需求设定，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，起初作为红杉中国内部使用的工具，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，Xbench 项目最早在 2022 年启动，并设计了基于基于项目反应理论的长青评估机制，金融、用于跟踪和评估基础模型的能力，GPT-4o 由于倾向于提供较短的回答，当下的 Agent 产品迭代速率很快，

② 长青评估机制通过持续维护并动态更新测试内容，Xbench 团队构建了双轨评估体系，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

3、

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，市场营销、同样对 LLM-based Agent 在现实工作任务、以确保双轨评估结果具备时效性和相关性。Agent 应用的产品版本需要考虑其生命周期。用于规避静态评估集容易出现题目泄露导致过拟合，在评估中得分最低。前往「收件箱」查看完整解读 

4、从而迅速失效的问题。不同模型在招聘和营销领域的表现存在显著差异，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，

① 双轨评估体系将评测任务划分为两条互补的主线。

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，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，Xbench 后在 2024 年 10 月进行第二次大规模更新，关注 LLM 的复杂问答及推理能力，