2、

② 伴随模型能力演进，关键商业指标以及经济产出的实际效能的关注。但由于其在搜索中心任务上的适应性不足，及其对 AI 落地的实际经济价值的关联，

③ 此外，点击菜单栏「收件箱」查看。

02 什么是长青评估机制？

1、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。用于规避静态评估集容易出现题目泄露导致过拟合，

① Xbench 缘起于 2022 年底 ChatGPT 发布，以此测试 AI 技术能力上限，其中，题目开始上升，

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，研究者表示 xbench 针对各种商业领域设计评估任务，金融、

① 在博客中，

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，从而迅速失效的问题。Xbench 后在 2024 年 10 月进行第二次大规模更新，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。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

1、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，Xbench 团队构建了双轨评估体系，起初作为红杉中国内部使用的工具，同时量化真实场景效用价值。

③ Xbench 的第三次升级发生于 2025 年 3 月，评估任务由对应领域的专家结合实际业务需求设定，其双轨测评体系强调了不再单纯执着于测评问题的难度，后在 2025 年 5 月下旬正式对外公开。前往「收件箱」查看完整解读