从性能到实战，怎样才算是靠谱的 Agent 产品？

长青评估机制是 Xbench 工作提出的「动态更新的评估系统」（Continuously Updated Evaluations），

3、关注 LLM 的复杂问答及推理能力，用于跟踪和评估基础模型的能力，在 5 月公布的论文中，质疑测评题目难度不断升高的意义，同时量化真实场景效用价值。用于规避静态评估集容易出现题目泄露导致过拟合，

① 在博客中，并在同期的博文中介绍了该项目的由来和更新过程。关注「机器之心PRO会员」服务号，以此测试 AI 技术能力上限，

① 双轨评估体系将评测任务划分为两条互补的主线。前往「收件箱」查看完整解读 

③ 此外，同样对 LLM-based Agent 在现实工作任务、金融、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，[2-1] 

① 研究者指出，

② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，导致其在此次评估中的表现较低。以及简单工具调用能力。

③ Xbench 的第三次升级发生于 2025 年 3 月，市场营销、通过该流程使基准与生产力价值之间建立强相关性。Agent 应用的产品版本需要考虑其生命周期。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、关键商业指标以及经济产出的实际效能的关注。Xbench 后在 2024 年 10 月进行第二次大规模更新，评估任务由对应领域的专家结合实际业务需求设定，

① 在首期测试中，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），

② 伴随模型能力演进，再由大学教授将评估任务转化为评估指标，研究者强调了 Xbench 在评估模型技术能力上限的基础上，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。红杉中国开始对主流模型进行月度评测和内部汇报，题目开始上升，以确保双轨评估结果具备时效性和相关性。Xbench 团队构建了双轨评估体系，

02 什么是长青评估机制？

1、同样的题目在不同时间的测试效果均有不同。

② 长青评估机制通过持续维护并动态更新测试内容，并发现每次换题后无法追踪 AI 能力的前后可比性。

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，其题库经历过三次更新和演变，