从性能到实战，怎样才算是靠谱的 Agent 产品？

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」，

2、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，以此测试 AI 技术能力上限，关注 LLM 的复杂问答及推理能力，

1、Xbench 后在 2024 年 10 月进行第二次大规模更新，其中，

③ Xbench 的第三次升级发生于 2025 年 3 月，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，同样的题目在不同时间的测试效果均有不同。

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，后在 2025 年 5 月下旬正式对外公开。前往「收件箱」查看完整解读 

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。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，

3、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，再由大学教授将评估任务转化为评估指标，质疑测评题目难度不断升高的意义，

① 在博客中，研究者表示 xbench 针对各种商业领域设计评估任务，GPT-4o 由于倾向于提供较短的回答，但由于其在搜索中心任务上的适应性不足，在评估中得分最低。出于同时对模型能力和实际「生产力」的关注，

① 在首期测试中，用于跟踪和评估基础模型的能力，其题库经历过三次更新和演变，而是重点量化 AI 系统在真实场景的效用价值。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。用于规避静态评估集容易出现题目泄露导致过拟合，