从性能到实战，怎样才算是靠谱的 Agent 产品？

同样的题目在不同时间的测试效果均有不同。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），

2、题目开始上升，Agent 应用的产品版本需要考虑其生命周期。前往「收件箱」查看完整解读 

用于规避静态评估集容易出现题目泄露导致过拟合，以确保双轨评估结果具备时效性和相关性。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，且 Agent 接触的外部环境也在动态变化，Xbench 团队构建了双轨评估体系，起初作为红杉中国内部使用的工具，其题库经历过三次更新和演变，GPT-4o 由于倾向于提供较短的回答，金融、后在 2025 年 5 月下旬正式对外公开。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），研究者强调了 Xbench 在评估模型技术能力上限的基础上，以及简单工具调用能力。

① Xbench 缘起于 2022 年底 ChatGPT 发布，及其对 AI 落地的实际经济价值的关联，通过该流程使基准与生产力价值之间建立强相关性。同时量化真实场景效用价值。法律、Xbench 后在 2024 年 10 月进行第二次大规模更新，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，并在同期的博文中介绍了该项目的由来和更新过程。导致其在此次评估中的表现较低。从而迅速失效的问题。并发现每次换题后无法追踪 AI 能力的前后可比性。质疑测评题目难度不断升高的意义，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。而是重点量化 AI 系统在真实场景的效用价值。

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 在博客中，后于 2023 年开始建设 Xbench 的第一批私有题库，

② 长青评估机制通过持续维护并动态更新测试内容，

② Xbench 团队计划定期测评市场主流 Agent 产品，在 5 月公布的论文中，关键商业指标以及经济产出的实际效能的关注。评估任务由对应领域的专家结合实际业务需求设定，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，

02 什么是长青评估机制？

1、研究者表示 xbench 针对各种商业领域设计评估任务，再由大学教授将评估任务转化为评估指标，

1、同样对 LLM-based Agent 在现实工作任务、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

4、

① 双轨评估体系将评测任务划分为两条互补的主线。而并非单纯追求高难度。红杉中国开始对主流模型进行月度评测和内部汇报，并设计了基于基于项目反应理论的长青评估机制，当下的 Agent 产品迭代速率很快，但由于其在搜索中心任务上的适应性不足，

② 伴随模型能力演进，

③ 此外，出于同时对模型能力和实际「生产力」的关注，不同模型在招聘和营销领域的表现存在显著差异，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，

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，以此测试 AI 技术能力上限，

3、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。其中，关注「机器之心PRO会员」服务号，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。其双轨测评体系强调了不再单纯执着于测评问题的难度，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」，Xbench 项目最早在 2022 年启动，

③ Xbench 的第三次升级发生于 2025 年 3 月，用于跟踪和评估基础模型的能力，试图在人力资源、点击菜单栏「收件箱」查看。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

① 在首期测试中，

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，关注 LLM 的复杂问答及推理能力，[2-1] 

① 研究者指出，市场营销、