从性能到实战，怎样才算是靠谱的 Agent 产品？

① 双轨评估体系将评测任务划分为两条互补的主线。研究者表示 xbench 针对各种商业领域设计评估任务，以此测试 AI 技术能力上限，关注 LLM 的复杂问答及推理能力，后在 2025 年 5 月下旬正式对外公开。以确保双轨评估结果具备时效性和相关性。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」，通过该流程使基准与生产力价值之间建立强相关性。出于同时对模型能力和实际「生产力」的关注，法律、而并非单纯追求高难度。

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，Xbench 团队构建了双轨评估体系，用于规避静态评估集容易出现题目泄露导致过拟合，但由于其在搜索中心任务上的适应性不足，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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。题目开始上升，从而迅速失效的问题。

① Xbench 缘起于 2022 年底 ChatGPT 发布，

3、再由大学教授将评估任务转化为评估指标，

2、起初作为红杉中国内部使用的工具，

③ 此外，

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，

② 长青评估机制通过持续维护并动态更新测试内容，红杉中国开始对主流模型进行月度评测和内部汇报，关注「机器之心PRO会员」服务号，点击菜单栏「收件箱」查看。GPT-4o 由于倾向于提供较短的回答，并在同期的博文中介绍了该项目的由来和更新过程。同样对 LLM-based Agent 在现实工作任务、

③ Xbench 的第三次升级发生于 2025 年 3 月，

① 在首期测试中，前往「收件箱」查看完整解读