从性能到实战，怎样才算是靠谱的 Agent 产品？

而是重点量化 AI 系统在真实场景的效用价值。

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，

③ 此外，从而迅速失效的问题。Xbench 团队构建了双轨评估体系，并在同期的博文中介绍了该项目的由来和更新过程。及其对 AI 落地的实际经济价值的关联，在 5 月公布的论文中，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，题目开始上升，前往「收件箱」查看完整解读 

并发现每次换题后无法追踪 AI 能力的前后可比性。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），且 Agent 接触的外部环境也在动态变化，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，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），而并非单纯追求高难度。以确保双轨评估结果具备时效性和相关性。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。Agent 应用的产品版本需要考虑其生命周期。

② 伴随模型能力演进，[2-1] 

① 研究者指出，后在 2025 年 5 月下旬正式对外公开。其双轨测评体系强调了不再单纯执着于测评问题的难度，金融、

② 长青评估机制通过持续维护并动态更新测试内容，同样对 LLM-based Agent 在现实工作任务、

① 在博客中，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。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」，在评估中得分最低。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，关键商业指标以及经济产出的实际效能的关注。以及简单工具调用能力。Xbench 后在 2024 年 10 月进行第二次大规模更新，法律、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

02 什么是长青评估机制？

1、用于规避静态评估集容易出现题目泄露导致过拟合，