从性能到实战，怎样才算是靠谱的 Agent 产品？
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，并设计了基于基于项目反应理论的长青评估机制，研究者表示 xbench 针对各种商业领域设计评估任务，以此测试 AI 技术能力上限，前往「收件箱」查看完整解读
其中，其双轨测评体系强调了不再单纯执着于测评问题的难度，以确保双轨评估结果具备时效性和相关性。
红杉中国团队近日提出了 AI 基准测试工具 Xbench，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。通过该流程使基准与生产力价值之间建立强相关性。出于同时对模型能力和实际「生产力」的关注，后于 2023 年开始建设 Xbench 的第一批私有题库，
1、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。Xbench 团队构建了双轨评估体系，关键商业指标以及经济产出的实际效能的关注。研究者强调了 Xbench 在评估模型技术能力上限的基础上，并发现每次换题后无法追踪 AI 能力的前后可比性。
3、质疑测评题目难度不断升高的意义，
② 伴随模型能力演进，