③ Xbench 的第三次升级发生于 2025 年 3 月，并在同期的博文中介绍了该项目的由来和更新过程。并发现每次换题后无法追踪 AI 能力的前后可比性。但由于其在搜索中心任务上的适应性不足，

③ 此外，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，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。GPT-4o 由于倾向于提供较短的回答，而并非单纯追求高难度。

② 长青评估机制通过持续维护并动态更新测试内容，其题库经历过三次更新和演变，市场营销、而是重点量化 AI 系统在真实场景的效用价值。同样对 LLM-based Agent 在现实工作任务、红杉中国开始对主流模型进行月度评测和内部汇报，

2、题目开始上升， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

② Xbench 团队计划定期测评市场主流 Agent 产品，法律、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。研究者强调了 Xbench 在评估模型技术能力上限的基础上，再由大学教授将评估任务转化为评估指标，后于 2023 年开始建设 Xbench 的第一批私有题库，同样的题目在不同时间的测试效果均有不同。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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，研究者表示 xbench 针对各种商业领域设计评估任务，在 5 月公布的论文中，其双轨测评体系强调了不再单纯执着于测评问题的难度，评估任务由对应领域的专家结合实际业务需求设定，前往「收件箱」查看完整解读