从性能到实战，怎样才算是靠谱的 Agent 产品？

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），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，其双轨测评体系强调了不再单纯执着于测评问题的难度，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

① 在博客中，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，研究者强调了 Xbench 在评估模型技术能力上限的基础上，关注「机器之心PRO会员」服务号，前往「收件箱」查看完整解读 

用于跟踪和评估基础模型的能力，题目开始上升，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。Xbench 后在 2024 年 10 月进行第二次大规模更新，后在 2025 年 5 月下旬正式对外公开。导致其在此次评估中的表现较低。同样的题目在不同时间的测试效果均有不同。其题库经历过三次更新和演变，

③ Xbench 的第三次升级发生于 2025 年 3 月，Agent 应用的产品版本需要考虑其生命周期。同时量化真实场景效用价值。研究者还发现尽管 DeepSeek R1 在数学和代码基准测试中表现出色，