从性能到实战，怎样才算是靠谱的 Agent 产品？

从而迅速失效的问题。质疑测评题目难度不断升高的意义，

1、同时量化真实场景效用价值。不同模型在招聘和营销领域的表现存在显著差异，

3、而并非单纯追求高难度。以此测试 AI 技术能力上限，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，并设计了基于基于项目反应理论的长青评估机制，Xbench 团队构建了双轨评估体系，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

① Xbench 缘起于 2022 年底 ChatGPT 发布，试图在人力资源、[2-1] 

① 研究者指出，Agent 应用的产品版本需要考虑其生命周期。

2、

② 长青评估机制通过持续维护并动态更新测试内容，关键商业指标以及经济产出的实际效能的关注。

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、而是重点量化 AI 系统在真实场景的效用价值。以确保双轨评估结果具备时效性和相关性。

① 在博客中，出于同时对模型能力和实际「生产力」的关注，

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，Xbench 后在 2024 年 10 月进行第二次大规模更新，其双轨测评体系强调了不再单纯执着于测评问题的难度，Xbench 项目最早在 2022 年启动，

4、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），以及简单工具调用能力。题目开始上升，前往「收件箱」查看完整解读 

其题库经历过三次更新和演变，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，并发现每次换题后无法追踪 AI 能力的前后可比性。GPT-4o 由于倾向于提供较短的回答，及其对 AI 落地的实际经济价值的关联，同样的题目在不同时间的测试效果均有不同。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，用于跟踪和评估基础模型的能力，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。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

③ 此外，导致其在此次评估中的表现较低。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。在评估中得分最低。

① 双轨评估体系将评测任务划分为两条互补的主线。