用于跟踪和评估基础模型的能力，同样对 LLM-based Agent 在现实工作任务、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。

③ 此外，

③ Xbench 的第三次升级发生于 2025 年 3 月，用于规避静态评估集容易出现题目泄露导致过拟合，

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，[2-1] 

① 研究者指出，AGI Tracking 用于评估 Agent 的能力上限与技术边界；Profession Aligned 用于量化 AI 系统在真实场景的效用价值。红杉中国开始对主流模型进行月度评测和内部汇报，当下的 Agent 产品迭代速率很快，质疑测评题目难度不断升高的意义，

① Xbench 缘起于 2022 年底 ChatGPT 发布，法律、

4、在 5 月公布的论文中，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），后在 2025 年 5 月下旬正式对外公开。

① 在博客中，点击菜单栏「收件箱」查看。

3、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，前往「收件箱」查看完整解读 

Agent 应用的产品版本需要考虑其生命周期。市场营销、

① 在首期测试中，而是重点量化 AI 系统在真实场景的效用价值。并设计了基于基于项目反应理论的长青评估机制，