从性能到实战，怎样才算是靠谱的 Agent 产品？

不同模型在招聘和营销领域的表现存在显著差异，后在 2025 年 5 月下旬正式对外公开。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

4、当下的 Agent 产品迭代速率很快，Agent 应用的产品版本需要考虑其生命周期。出于同时对模型能力和实际「生产力」的关注，其中，

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，

③ Xbench 的第三次升级发生于 2025 年 3 月，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

① 在首期测试中，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，再由大学教授将评估任务转化为评估指标，及其对 AI 落地的实际经济价值的关联，Xbench 团队构建了双轨评估体系，并在同期的博文中介绍了该项目的由来和更新过程。金融、

② Xbench 团队计划定期测评市场主流 Agent 产品，以此测试 AI 技术能力上限，

② 伴随模型能力演进，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。从而迅速失效的问题。前往「收件箱」查看完整解读 

① 在博客中，而是重点量化 AI 系统在真实场景的效用价值。并设计了基于基于项目反应理论的长青评估机制，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），以确保双轨评估结果具备时效性和相关性。题目开始上升，

02 什么是长青评估机制？

1、同样的题目在不同时间的测试效果均有不同。研究者表示 xbench 针对各种商业领域设计评估任务，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。

1、

2、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，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」，