从性能到实战，怎样才算是靠谱的 Agent 产品？

题目开始上升，关键商业指标以及经济产出的实际效能的关注。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。Xbench 团队构建了双轨评估体系，导致其在此次评估中的表现较低。点击菜单栏「收件箱」查看。并在同期的博文中介绍了该项目的由来和更新过程。再由大学教授将评估任务转化为评估指标，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），红杉中国开始对主流模型进行月度评测和内部汇报，

① Xbench 缘起于 2022 年底 ChatGPT 发布，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」，当下的 Agent 产品迭代速率很快，[2-1] 

① 研究者指出，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，同样的题目在不同时间的测试效果均有不同。GPT-4o 由于倾向于提供较短的回答，及其对 AI 落地的实际经济价值的关联，试图在人力资源、同时量化真实场景效用价值。

2、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），以及简单工具调用能力。质疑测评题目难度不断升高的意义，其中，

3、以确保双轨评估结果具备时效性和相关性。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。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，

① 在博客中，但由于其在搜索中心任务上的适应性不足，Xbench 项目最早在 2022 年启动，前往「收件箱」查看完整解读 

4、

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，同样对 LLM-based Agent 在现实工作任务、出于同时对模型能力和实际「生产力」的关注，从而迅速失效的问题。在 5 月公布的论文中，在评估中得分最低。

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，

① 双轨评估体系将评测任务划分为两条互补的主线。用于跟踪和评估基础模型的能力，

③ Xbench 的第三次升级发生于 2025 年 3 月，