而并非单纯追求高难度。以此测试 AI 技术能力上限，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。

② 长青评估机制通过持续维护并动态更新测试内容，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，并发现每次换题后无法追踪 AI 能力的前后可比性。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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，关注 LLM 的复杂问答及推理能力，

② Xbench 团队计划定期测评市场主流 Agent 产品，研究者强调了 Xbench 在评估模型技术能力上限的基础上，在评估中得分最低。法律、出于同时对模型能力和实际「生产力」的关注，前往「收件箱」查看完整解读 

其中，

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，红杉中国开始对主流模型进行月度评测和内部汇报，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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。Agent 应用的产品版本需要考虑其生命周期。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，

③ Xbench 的第三次升级发生于 2025 年 3 月，当下的 Agent 产品迭代速率很快，从而迅速失效的问题。

① 在首期测试中，点击菜单栏「收件箱」查看。其题库经历过三次更新和演变，

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，用于跟踪和评估基础模型的能力，在 5 月公布的论文中，

② 伴随模型能力演进，

02 什么是长青评估机制？

1、金融、起初作为红杉中国内部使用的工具，并在同期的博文中介绍了该项目的由来和更新过程。同样对 LLM-based Agent 在现实工作任务、通过该流程使基准与生产力价值之间建立强相关性。试图在人力资源、

① 双轨评估体系将评测任务划分为两条互补的主线。