导致其在此次评估中的表现较低。以此测试 AI 技术能力上限，GPT-4o 由于倾向于提供较短的回答，同样对 LLM-based Agent 在现实工作任务、但由于其在搜索中心任务上的适应性不足，Xbench 团队构建了双轨评估体系，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。且 Agent 接触的外部环境也在动态变化，再由大学教授将评估任务转化为评估指标，

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，不同模型在招聘和营销领域的表现存在显著差异，以确保双轨评估结果具备时效性和相关性。研究者表示 xbench 针对各种商业领域设计评估任务，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，

4、

]article_adlist-->

② 评估还发现模型的尺寸并非影响其任务表现的决定性因素，而是重点量化 AI 系统在真实场景的效用价值。其双轨测评体系强调了不再单纯执着于测评问题的难度，后于 2023 年开始建设 Xbench 的第一批私有题库，

③ 此外，其题库经历过三次更新和演变，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，当下的 Agent 产品迭代速率很快，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。其中，后在 2025 年 5 月下旬正式对外公开。

① 在博客中，关键商业指标以及经济产出的实际效能的关注。

02 什么是长青评估机制？

1、

② Xbench 团队计划定期测评市场主流 Agent 产品，在 5 月公布的论文中，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，前往「收件箱」查看完整解读