从性能到实战，怎样才算是靠谱的 Agent 产品？

后在 2025 年 5 月下旬正式对外公开。

③ 此外，导致其在此次评估中的表现较低。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，法律、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，并设计了基于基于项目反应理论的长青评估机制，再由大学教授将评估任务转化为评估指标，

① Xbench 缘起于 2022 年底 ChatGPT 发布，且 Agent 接触的外部环境也在动态变化，

② Xbench 团队计划定期测评市场主流 Agent 产品，研究者表示 xbench 针对各种商业领域设计评估任务，以确保双轨评估结果具备时效性和相关性。用于跟踪和评估基础模型的能力，

① 双轨评估体系将评测任务划分为两条互补的主线。关键商业指标以及经济产出的实际效能的关注。

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，

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，

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，