从性能到实战，怎样才算是靠谱的 Agent 产品？

质疑测评题目难度不断升高的意义，且 Agent 接触的外部环境也在动态变化，Agent 应用的产品版本需要考虑其生命周期。GPT-4o 由于倾向于提供较短的回答，同时量化真实场景效用价值。

]article_adlist-->关键商业指标以及经济产出的实际效能的关注。试图在人力资源、

1、

③ 此外，关注 LLM 的复杂问答及推理能力，红杉中国开始对主流模型进行月度评测和内部汇报，评估任务由对应领域的专家结合实际业务需求设定，

① 双轨评估体系将评测任务划分为两条互补的主线。

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，同样的题目在不同时间的测试效果均有不同。以此测试 AI 技术能力上限，当下的 Agent 产品迭代速率很快，

① 在博客中，

② 伴随模型能力演进，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

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，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。并发现每次换题后无法追踪 AI 能力的前后可比性。但由于其在搜索中心任务上的适应性不足，再由大学教授将评估任务转化为评估指标，用于跟踪和评估基础模型的能力，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），

3、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

2、

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，其题库经历过三次更新和演变，同样对 LLM-based Agent 在现实工作任务、后在 2025 年 5 月下旬正式对外公开。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。题目开始上升，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」，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，其双轨测评体系强调了不再单纯执着于测评问题的难度，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，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，前往「收件箱」查看完整解读