从性能到实战，怎样才算是靠谱的 Agent 产品？

法律、

3、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。后在 2025 年 5 月下旬正式对外公开。研究者表示 xbench 针对各种商业领域设计评估任务，

② Xbench 团队计划定期测评市场主流 Agent 产品，而是重点量化 AI 系统在真实场景的效用价值。

② 长青评估机制通过持续维护并动态更新测试内容，其题库经历过三次更新和演变，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

① 在首期测试中，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，

① Xbench 缘起于 2022 年底 ChatGPT 发布，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，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。市场营销、

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，并在同期的博文中介绍了该项目的由来和更新过程。并设计了基于基于项目反应理论的长青评估机制，

③ Xbench 的第三次升级发生于 2025 年 3 月，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。

2、Xbench 后在 2024 年 10 月进行第二次大规模更新，其中， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，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」，以及简单工具调用能力。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），

1、同样对 LLM-based Agent 在现实工作任务、当下的 Agent 产品迭代速率很快，

③ 此外，

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，而并非单纯追求高难度。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。

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，GPT-4o 由于倾向于提供较短的回答，用于跟踪和评估基础模型的能力，关注「机器之心PRO会员」服务号，前往「收件箱」查看完整解读