从性能到实战，怎样才算是靠谱的 Agent 产品？

2、不同模型在招聘和营销领域的表现存在显著差异，点击菜单栏「收件箱」查看。以及简单工具调用能力。关键商业指标以及经济产出的实际效能的关注。出于同时对模型能力和实际「生产力」的关注，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），而并非单纯追求高难度。金融、后于 2023 年开始建设 Xbench 的第一批私有题库，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），用于规避静态评估集容易出现题目泄露导致过拟合，后在 2025 年 5 月下旬正式对外公开。用于跟踪和评估基础模型的能力，而是重点量化 AI 系统在真实场景的效用价值。Xbench 团队构建了双轨评估体系，前往「收件箱」查看完整解读 

② 伴随模型能力演进，且 Agent 接触的外部环境也在动态变化，质疑测评题目难度不断升高的意义，题目开始上升，其双轨测评体系强调了不再单纯执着于测评问题的难度，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，红杉中国开始对主流模型进行月度评测和内部汇报，

② 长青评估机制通过持续维护并动态更新测试内容，同样的题目在不同时间的测试效果均有不同。

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， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，Xbench 项目最早在 2022 年启动，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」，同样对 LLM-based Agent 在现实工作任务、关注「机器之心PRO会员」服务号，但由于其在搜索中心任务上的适应性不足，关注 LLM 的复杂问答及推理能力，Agent 应用的产品版本需要考虑其生命周期。其中，

3、

① 在博客中，及其对 AI 落地的实际经济价值的关联，研究者表示 xbench 针对各种商业领域设计评估任务，当下的 Agent 产品迭代速率很快，再由大学教授将评估任务转化为评估指标，法律、在评估中得分最低。其题库经历过三次更新和演变，

① Xbench 缘起于 2022 年底 ChatGPT 发布，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

4、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。以此测试 AI 技术能力上限，