从性能到实战，怎样才算是靠谱的 Agent 产品？

同时量化真实场景效用价值。导致其在此次评估中的表现较低。在 5 月公布的论文中，

3、通过该流程使基准与生产力价值之间建立强相关性。前往「收件箱」查看完整解读 

后在 2025 年 5 月下旬正式对外公开。出于同时对模型能力和实际「生产力」的关注，Xbench 团队构建了双轨评估体系，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。金融、质疑测评题目难度不断升高的意义，

③ Xbench 的第三次升级发生于 2025 年 3 月，在评估中得分最低。用于规避静态评估集容易出现题目泄露导致过拟合，其中，GPT-4o 由于倾向于提供较短的回答，[2-1] 

① 研究者指出，

① 在首期测试中，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。Agent 应用的产品版本需要考虑其生命周期。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， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

4、试图在人力资源、

2、

1、从而迅速失效的问题。

① 在博客中，以确保双轨评估结果具备时效性和相关性。并在同期的博文中介绍了该项目的由来和更新过程。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），研究者表示 xbench 针对各种商业领域设计评估任务，

③ 此外，其双轨测评体系强调了不再单纯执着于测评问题的难度，

② Xbench 团队计划定期测评市场主流 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，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

02 什么是长青评估机制？

1、关注「机器之心PRO会员」服务号，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

② 伴随模型能力演进，再由大学教授将评估任务转化为评估指标，而是重点量化 AI 系统在真实场景的效用价值。红杉中国开始对主流模型进行月度评测和内部汇报，