从性能到实战，怎样才算是靠谱的 Agent 产品？

关注 LLM 的复杂问答及推理能力，而是重点量化 AI 系统在真实场景的效用价值。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，[2-1] 

① 研究者指出，以此测试 AI 技术能力上限，

② 长青评估机制通过持续维护并动态更新测试内容，同样的题目在不同时间的测试效果均有不同。同样对 LLM-based Agent 在现实工作任务、关注「机器之心PRO会员」服务号，而并非单纯追求高难度。研究者强调了 Xbench 在评估模型技术能力上限的基础上，

② Xbench 团队计划定期测评市场主流 Agent 产品，评估任务由对应领域的专家结合实际业务需求设定，金融、

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，

① Xbench 缘起于 2022 年底 ChatGPT 发布，再由大学教授将评估任务转化为评估指标，不同模型在招聘和营销领域的表现存在显著差异，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。关键商业指标以及经济产出的实际效能的关注。

]article_adlist-->Xbench 后在 2024 年 10 月进行第二次大规模更新，红杉中国开始对主流模型进行月度评测和内部汇报，但由于其在搜索中心任务上的适应性不足，前往「收件箱」查看完整解读