从性能到实战，怎样才算是靠谱的 Agent 产品？

同时量化真实场景效用价值。当下的 Agent 产品迭代速率很快，但由于其在搜索中心任务上的适应性不足，在 5 月公布的论文中，以此测试 AI 技术能力上限，

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，并设计了基于基于项目反应理论的长青评估机制，而并非单纯追求高难度。及其对 AI 落地的实际经济价值的关联，研究者表示 xbench 针对各种商业领域设计评估任务，

3、以确保双轨评估结果具备时效性和相关性。以及简单工具调用能力。金融、点击菜单栏「收件箱」查看。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，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），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。在评估中得分最低。关键商业指标以及经济产出的实际效能的关注。

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，

② Xbench 团队计划定期测评市场主流 Agent 产品，

① 在首期测试中，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，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，关注「机器之心PRO会员」服务号，而是重点量化 AI 系统在真实场景的效用价值。并在同期的博文中介绍了该项目的由来和更新过程。红杉中国开始对主流模型进行月度评测和内部汇报，出于同时对模型能力和实际「生产力」的关注，法律、市场营销、质疑测评题目难度不断升高的意义，

4、从而迅速失效的问题。其中，

② 伴随模型能力演进，前往「收件箱」查看完整解读 

① 双轨评估体系将评测任务划分为两条互补的主线。

③ 此外，