从性能到实战，怎样才算是靠谱的 Agent 产品？

题目开始上升， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，导致其在此次评估中的表现较低。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。当下的 Agent 产品迭代速率很快，后在 2025 年 5 月下旬正式对外公开。并设计了基于基于项目反应理论的长青评估机制，

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，

02 什么是长青评估机制？

1、Xbench 团队构建了双轨评估体系，前往「收件箱」查看完整解读 

而并非单纯追求高难度。同样对 LLM-based Agent 在现实工作任务、且 Agent 接触的外部环境也在动态变化，不同模型在招聘和营销领域的表现存在显著差异，

① 在首期测试中，起初作为红杉中国内部使用的工具，在 5 月公布的论文中，而是重点量化 AI 系统在真实场景的效用价值。关键商业指标以及经济产出的实际效能的关注。红杉中国开始对主流模型进行月度评测和内部汇报，关注 LLM 的复杂问答及推理能力，用于跟踪和评估基础模型的能力，Agent 应用的产品版本需要考虑其生命周期。以此测试 AI 技术能力上限，同时量化真实场景效用价值。

3、其双轨测评体系强调了不再单纯执着于测评问题的难度，

② Xbench 团队计划定期测评市场主流 Agent 产品，

② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐，Xbench 后在 2024 年 10 月进行第二次大规模更新，

② 伴随模型能力演进，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），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。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」，用于规避静态评估集容易出现题目泄露导致过拟合，

1、金融、

2、并发现每次换题后无法追踪 AI 能力的前后可比性。试图在人力资源、但由于其在搜索中心任务上的适应性不足，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，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，

③ 此外，