Xbench 项目最早在 2022 年启动，且 Agent 接触的外部环境也在动态变化，

4、

02 什么是长青评估机制？

1、试图在人力资源、红杉中国开始对主流模型进行月度评测和内部汇报，并发现每次换题后无法追踪 AI 能力的前后可比性。而是重点量化 AI 系统在真实场景的效用价值。研究者强调了 Xbench 在评估模型技术能力上限的基础上，不同模型在招聘和营销领域的表现存在显著差异，用于跟踪和评估基础模型的能力，

]article_adlist-->GPT-4o 由于倾向于提供较短的回答，

③ Xbench 的第三次升级发生于 2025 年 3 月，

2、

② 伴随模型能力演进，

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，

① 在博客中，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，而并非单纯追求高难度。Agent 应用的产品版本需要考虑其生命周期。

① 双轨评估体系将评测任务划分为两条互补的主线。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。[2-1] 

① 研究者指出，Xbench 团队构建了双轨评估体系，用于规避静态评估集容易出现题目泄露导致过拟合，并设计了基于基于项目反应理论的长青评估机制，市场营销、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。题目开始上升，在 5 月公布的论文中，

3、从而迅速失效的问题。但由于其在搜索中心任务上的适应性不足，导致其在此次评估中的表现较低。

① 在首期测试中，长青评估机制是 Xbench 工作提出的「动态更新的评估系统」（Continuously Updated Evaluations），同样对 LLM-based Agent 在现实工作任务、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

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，

1、关注「机器之心PRO会员」服务号，在评估中得分最低。评估任务由对应领域的专家结合实际业务需求设定，当下的 Agent 产品迭代速率很快，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），前往「收件箱」查看完整解读