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，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

02 什么是长青评估机制？

1、市场营销、

② 伴随模型能力演进，

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，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。导致其在此次评估中的表现较低。以确保双轨评估结果具备时效性和相关性。点击菜单栏「收件箱」查看。出于同时对模型能力和实际「生产力」的关注，通过该流程使基准与生产力价值之间建立强相关性。

1、当下的 Agent 产品迭代速率很快，并发现每次换题后无法追踪 AI 能力的前后可比性。同时量化真实场景效用价值。研究者强调了 Xbench 在评估模型技术能力上限的基础上，其双轨测评体系强调了不再单纯执着于测评问题的难度，

4、

③ 此外，

① 在首期测试中，前往「收件箱」查看完整解读 

① 双轨评估体系将评测任务划分为两条互补的主线。