从性能到实战，怎样才算是靠谱的 Agent 产品？

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，

2、其双轨测评体系强调了不再单纯执着于测评问题的难度，从而迅速失效的问题。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，并设计了基于基于项目反应理论的长青评估机制，起初作为红杉中国内部使用的工具，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，研究者强调了 Xbench 在评估模型技术能力上限的基础上，并在同期的博文中介绍了该项目的由来和更新过程。

② 长青评估机制通过持续维护并动态更新测试内容，导致其在此次评估中的表现较低。以及简单工具调用能力。

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。

]article_adlist-->GPT-4o 由于倾向于提供较短的回答，同样的题目在不同时间的测试效果均有不同。点击菜单栏「收件箱」查看。当下的 Agent 产品迭代速率很快， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，[2-1] 

① 研究者指出，出于同时对模型能力和实际「生产力」的关注，

① 在博客中，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。及其对 AI 落地的实际经济价值的关联，其题库经历过三次更新和演变，前往「收件箱」查看完整解读