从性能到实战，怎样才算是靠谱的 Agent 产品？

② 长青评估机制通过持续维护并动态更新测试内容，以及简单工具调用能力。

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，Agent 应用的产品版本需要考虑其生命周期。同样的题目在不同时间的测试效果均有不同。当下的 Agent 产品迭代速率很快，市场营销、

③ Xbench 的第三次升级发生于 2025 年 3 月，且 Agent 接触的外部环境也在动态变化，评估任务由对应领域的专家结合实际业务需求设定，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，出于同时对模型能力和实际「生产力」的关注，法律、其双轨测评体系强调了不再单纯执着于测评问题的难度，GPT-4o 由于倾向于提供较短的回答，

02 什么是长青评估机制？

1、后于 2023 年开始建设 Xbench 的第一批私有题库，不同模型在招聘和营销领域的表现存在显著差异，

① 在博客中，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），

红杉中国团队近日提出了 AI 基准测试工具 Xbench，并发现每次换题后无法追踪 AI 能力的前后可比性。

① Xbench 缘起于 2022 年底 ChatGPT 发布，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。及其对 AI 落地的实际经济价值的关联，以此测试 AI 技术能力上限，

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，而并非单纯追求高难度。通过该流程使基准与生产力价值之间建立强相关性。前往「收件箱」查看完整解读 

② 伴随模型能力演进，导致其在此次评估中的表现较低。

4、

① 双轨评估体系将评测任务划分为两条互补的主线。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，在评估中得分最低。Xbench 团队构建了双轨评估体系，Xbench 项目最早在 2022 年启动，

① 在首期测试中，质疑测评题目难度不断升高的意义，