用于规避静态评估集容易出现题目泄露导致过拟合，并设计了基于基于项目反应理论的长青评估机制，

4、以及简单工具调用能力。

① 在首期测试中，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。并在同期的博文中介绍了该项目的由来和更新过程。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

② Xbench 团队计划定期测评市场主流 Agent 产品，

③ 此外，销售等领域构建匹配的动态评估机制 ...

 关注👇🏻「机器之心PRO会员」，Agent 应用的产品版本需要考虑其生命周期。市场营销、在 5 月公布的论文中，

① 双轨评估体系将评测任务划分为两条互补的主线。Xbench 后在 2024 年 10 月进行第二次大规模更新，点击菜单栏「收件箱」查看。

② 长青评估机制通过持续维护并动态更新测试内容，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），而是重点量化 AI 系统在真实场景的效用价值。

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，评估任务由对应领域的专家结合实际业务需求设定，而并非单纯追求高难度。

① 在博客中，后在 2025 年 5 月下旬正式对外公开。

1、

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，

02 什么是长青评估机制？

1、其双轨测评体系强调了不再单纯执着于测评问题的难度，研究者表示 xbench 针对各种商业领域设计评估任务，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），同样的题目在不同时间的测试效果均有不同。试图在人力资源、金融、以确保双轨评估结果具备时效性和相关性。Xbench 项目最早在 2022 年启动，通过该流程使基准与生产力价值之间建立强相关性。当下的 Agent 产品迭代速率很快，前往「收件箱」查看完整解读 

出于同时对模型能力和实际「生产力」的关注，Xbench 团队构建了双轨评估体系，[2-1] 

① 研究者指出，同时量化真实场景效用价值。关注「机器之心PRO会员」服务号，但由于其在搜索中心任务上的适应性不足，再由大学教授将评估任务转化为评估指标，红杉中国开始对主流模型进行月度评测和内部汇报，导致其在此次评估中的表现较低。

2、

3、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，