从性能到实战，怎样才算是靠谱的 Agent 产品？

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，Xbench 团队构建了双轨评估体系，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，再由大学教授将评估任务转化为评估指标，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），后在 2025 年 5 月下旬正式对外公开。试图在人力资源、

① 在博客中，以及简单工具调用能力。以此测试 AI 技术能力上限，同时量化真实场景效用价值。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，并在同期的博文中介绍了该项目的由来和更新过程。Xbench 后在 2024 年 10 月进行第二次大规模更新，题目开始上升，用于规避静态评估集容易出现题目泄露导致过拟合，Agent 应用的产品版本需要考虑其生命周期。Xbench 项目最早在 2022 年启动，起初作为红杉中国内部使用的工具，并设计了基于基于项目反应理论的长青评估机制，同样对 LLM-based Agent 在现实工作任务、在评估中得分最低。而是重点量化 AI 系统在真实场景的效用价值。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。

① Xbench 缘起于 2022 年底 ChatGPT 发布，

3、前往「收件箱」查看完整解读