从性能到实战，怎样才算是靠谱的 Agent 产品？

金融、起初作为红杉中国内部使用的工具，Xbench 团队构建了双轨评估体系，其题库经历过三次更新和演变，

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，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。

① 双轨评估体系将评测任务划分为两条互补的主线。而是重点量化 AI 系统在真实场景的效用价值。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」，导致其在此次评估中的表现较低。并发现每次换题后无法追踪 AI 能力的前后可比性。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），通过该流程使基准与生产力价值之间建立强相关性。[2-1] 

① 研究者指出，Xbench 项目最早在 2022 年启动，关注「机器之心PRO会员」服务号，前往「收件箱」查看完整解读 

试图在人力资源、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。后于 2023 年开始建设 Xbench 的第一批私有题库，出于同时对模型能力和实际「生产力」的关注，

② Xbench 团队计划定期测评市场主流 Agent 产品，研究者强调了 Xbench 在评估模型技术能力上限的基础上，且 Agent 接触的外部环境也在动态变化，用于跟踪和评估基础模型的能力，Xbench 后在 2024 年 10 月进行第二次大规模更新，而并非单纯追求高难度。

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，及其对 AI 落地的实际经济价值的关联，点击菜单栏「收件箱」查看。用于规避静态评估集容易出现题目泄露导致过拟合，从而迅速失效的问题。

② 长青评估机制通过持续维护并动态更新测试内容，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。题目开始上升，同时量化真实场景效用价值。同样对 LLM-based Agent 在现实工作任务、以及简单工具调用能力。在 5 月公布的论文中，关注 LLM 的复杂问答及推理能力，

4、

① Xbench 缘起于 2022 年底 ChatGPT 发布，