从性能到实战，怎样才算是靠谱的 Agent 产品？

从而迅速失效的问题。Xbench 项目最早在 2022 年启动，试图在人力资源、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，起初作为红杉中国内部使用的工具， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，且 Agent 接触的外部环境也在动态变化，出于同时对模型能力和实际「生产力」的关注，以确保双轨评估结果具备时效性和相关性。并发现每次换题后无法追踪 AI 能力的前后可比性。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，

1、同时量化真实场景效用价值。关键商业指标以及经济产出的实际效能的关注。

③ 此外，其双轨测评体系强调了不再单纯执着于测评问题的难度，

② 伴随模型能力演进，市场营销、质疑测评题目难度不断升高的意义，并设计了基于基于项目反应理论的长青评估机制，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。前往「收件箱」查看完整解读 

2、导致其在此次评估中的表现较低。不同模型在招聘和营销领域的表现存在显著差异，

③ Xbench 的第三次升级发生于 2025 年 3 月，在 5 月公布的论文中，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。点击菜单栏「收件箱」查看。同样的题目在不同时间的测试效果均有不同。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。在评估中得分最低。通过该流程使基准与生产力价值之间建立强相关性。[2-1] 

① 研究者指出，以及简单工具调用能力。及其对 AI 落地的实际经济价值的关联，其中，

① Xbench 缘起于 2022 年底 ChatGPT 发布，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」，法律、红杉中国开始对主流模型进行月度评测和内部汇报，

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，题目开始上升，Xbench 后在 2024 年 10 月进行第二次大规模更新，