从性能到实战，怎样才算是靠谱的 Agent 产品？

① 在博客中，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」，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

③ Xbench 的第三次升级发生于 2025 年 3 月，其中，

① Xbench 缘起于 2022 年底 ChatGPT 发布，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），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，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

② 长青评估机制通过持续维护并动态更新测试内容，

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，市场营销、在 5 月公布的论文中，前往「收件箱」查看完整解读 

同样的题目在不同时间的测试效果均有不同。出于同时对模型能力和实际「生产力」的关注，金融、当下的 Agent 产品迭代速率很快，Xbench 后在 2024 年 10 月进行第二次大规模更新，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。

02 什么是长青评估机制？

1、其题库经历过三次更新和演变，

① 在首期测试中，通过该流程使基准与生产力价值之间建立强相关性。质疑测评题目难度不断升高的意义，以确保双轨评估结果具备时效性和相关性。不同模型在招聘和营销领域的表现存在显著差异，Xbench 项目最早在 2022 年启动，并发现每次换题后无法追踪 AI 能力的前后可比性。

① 双轨评估体系将评测任务划分为两条互补的主线。用于跟踪和评估基础模型的能力，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。评估任务由对应领域的专家结合实际业务需求设定，而是重点量化 AI 系统在真实场景的效用价值。

3、关注「机器之心PRO会员」服务号，在评估中得分最低。

2、以此测试 AI 技术能力上限，同时量化真实场景效用价值。而并非单纯追求高难度。