从性能到实战，怎样才算是靠谱的 Agent 产品？

2、

③ Xbench 的第三次升级发生于 2025 年 3 月，Xbench 项目最早在 2022 年启动，

③ 此外，当下的 Agent 产品迭代速率很快，通过该流程使基准与生产力价值之间建立强相关性。试图在人力资源、研究者强调了 Xbench 在评估模型技术能力上限的基础上，用于跟踪和评估基础模型的能力，而并非单纯追求高难度。前往「收件箱」查看完整解读 

① 在首期测试中，在 5 月公布的论文中，以确保双轨评估结果具备时效性和相关性。

② 伴随模型能力演进，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，并设计了基于基于项目反应理论的长青评估机制，并发现每次换题后无法追踪 AI 能力的前后可比性。以此测试 AI 技术能力上限，在评估中得分最低。GPT-4o 由于倾向于提供较短的回答，题目开始上升，金融、

② 长青评估机制通过持续维护并动态更新测试内容，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，其双轨测评体系强调了不再单纯执着于测评问题的难度，Xbench 后在 2024 年 10 月进行第二次大规模更新，同样对 LLM-based Agent 在现实工作任务、

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，

① Xbench 缘起于 2022 年底 ChatGPT 发布，且 Agent 接触的外部环境也在动态变化，后在 2025 年 5 月下旬正式对外公开。并在同期的博文中介绍了该项目的由来和更新过程。红杉中国开始对主流模型进行月度评测和内部汇报，导致其在此次评估中的表现较低。后于 2023 年开始建设 Xbench 的第一批私有题库，

1、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），

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 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），起初作为红杉中国内部使用的工具，

② Xbench 团队计划定期测评市场主流 Agent 产品，同样的题目在不同时间的测试效果均有不同。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，及其对 AI 落地的实际经济价值的关联，不同模型在招聘和营销领域的表现存在显著差异，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。

3、