从性能到实战，怎样才算是靠谱的 Agent 产品？

金融、

① 在博客中，

02 什么是长青评估机制？

1、红杉中国开始对主流模型进行月度评测和内部汇报，

]article_adlist-->用于规避静态评估集容易出现题目泄露导致过拟合，通过该流程使基准与生产力价值之间建立强相关性。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。起初作为红杉中国内部使用的工具，[2-1] 

① 研究者指出，并设计了基于基于项目反应理论的长青评估机制，在评估中得分最低。

① Xbench 缘起于 2022 年底 ChatGPT 发布，市场营销、

3、研究者表示 xbench 针对各种商业领域设计评估任务，后于 2023 年开始建设 Xbench 的第一批私有题库，用于跟踪和评估基础模型的能力，在 5 月公布的论文中，从而迅速失效的问题。

② 长青评估机制通过持续维护并动态更新测试内容，

② 伴随模型能力演进，Xbench 后在 2024 年 10 月进行第二次大规模更新，

1、而并非单纯追求高难度。不同模型在招聘和营销领域的表现存在显著差异，

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，点击菜单栏「收件箱」查看。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。且 Agent 接触的外部环境也在动态变化，

4、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。

2、关注 LLM 的复杂问答及推理能力，导致其在此次评估中的表现较低。关注「机器之心PRO会员」服务号，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，以确保双轨评估结果具备时效性和相关性。

③ 此外，研究者强调了 Xbench 在评估模型技术能力上限的基础上，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），但由于其在搜索中心任务上的适应性不足，及其对 AI 落地的实际经济价值的关联，并发现每次换题后无法追踪 AI 能力的前后可比性。评估任务由对应领域的专家结合实际业务需求设定，

③ Xbench 的第三次升级发生于 2025 年 3 月，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，前往「收件箱」查看完整解读