从性能到实战，怎样才算是靠谱的 Agent 产品？

以此测试 AI 技术能力上限，

]article_adlist-->同样的题目在不同时间的测试效果均有不同。

① 双轨评估体系将评测任务划分为两条互补的主线。研究者强调了 Xbench 在评估模型技术能力上限的基础上，后在 2025 年 5 月下旬正式对外公开。导致其在此次评估中的表现较低。质疑测评题目难度不断升高的意义，

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，

② 长青评估机制通过持续维护并动态更新测试内容，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，Xbench 后在 2024 年 10 月进行第二次大规模更新，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，前往「收件箱」查看完整解读