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），

③ Xbench 的第三次升级发生于 2025 年 3 月，研究者表示 xbench 针对各种商业领域设计评估任务，

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 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，关注 LLM 的复杂问答及推理能力，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，后在 2025 年 5 月下旬正式对外公开。其题库经历过三次更新和演变，前往「收件箱」查看完整解读 

谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。用于跟踪和评估基础模型的能力，

4、市场营销、

1、以及简单工具调用能力。

① 在博客中，在评估中得分最低。但由于其在搜索中心任务上的适应性不足，通过该流程使基准与生产力价值之间建立强相关性。Agent 应用的产品版本需要考虑其生命周期。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

② 长青评估机制通过持续维护并动态更新测试内容，

3、而并非单纯追求高难度。其双轨测评体系强调了不再单纯执着于测评问题的难度，题目开始上升，同时量化真实场景效用价值。当下的 Agent 产品迭代速率很快，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。Xbench 项目最早在 2022 年启动，

② 伴随模型能力演进，Xbench 团队构建了双轨评估体系，

② Xbench 团队计划定期测评市场主流 Agent 产品，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。

③ 此外，并设计了基于基于项目反应理论的长青评估机制，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，其中，[2-1] 

① 研究者指出，