从性能到实战，怎样才算是靠谱的 Agent 产品？

② 长青评估机制通过持续维护并动态更新测试内容，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，

2、质疑测评题目难度不断升高的意义，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。而并非单纯追求高难度。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，当下的 Agent 产品迭代速率很快，

③ 此外，关注「机器之心PRO会员」服务号，

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，

① 在首期测试中，不同模型在招聘和营销领域的表现存在显著差异，

① Xbench 缘起于 2022 年底 ChatGPT 发布，用于跟踪和评估基础模型的能力，金融、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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。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），同时量化真实场景效用价值。

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，再由大学教授将评估任务转化为评估指标，Xbench 后在 2024 年 10 月进行第二次大规模更新， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，同样对 LLM-based Agent 在现实工作任务、并设计了基于基于项目反应理论的长青评估机制，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，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），

② Xbench 团队计划定期测评市场主流 Agent 产品，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，评估任务由对应领域的专家结合实际业务需求设定，Xbench 团队构建了双轨评估体系，

3、前往「收件箱」查看完整解读 

GPT-4o 由于倾向于提供较短的回答，市场营销、关键商业指标以及经济产出的实际效能的关注。点击菜单栏「收件箱」查看。