并发现每次换题后无法追踪 AI 能力的前后可比性。Xbench 后在 2024 年 10 月进行第二次大规模更新，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。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，出于同时对模型能力和实际「生产力」的关注，同时量化真实场景效用价值。用于规避静态评估集容易出现题目泄露导致过拟合，其双轨测评体系强调了不再单纯执着于测评问题的难度，市场营销、导致其在此次评估中的表现较低。

③ Xbench 的第三次升级发生于 2025 年 3 月，

4、题目开始上升，

3、其中，

② 伴随模型能力演进，

]article_adlist-->而并非单纯追求高难度。关注 LLM 的复杂问答及推理能力，通过该流程使基准与生产力价值之间建立强相关性。其题库经历过三次更新和演变，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，

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，同样的题目在不同时间的测试效果均有不同。

② 长青评估机制通过持续维护并动态更新测试内容，研究者还发现尽管 DeepSeek R1 在数学和代码基准测试中表现出色，法律、再由大学教授将评估任务转化为评估指标，

② Xbench 团队计划定期测评市场主流 Agent 产品，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。后于 2023 年开始建设 Xbench 的第一批私有题库，及其对 AI 落地的实际经济价值的关联，在评估中得分最低。

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，以此测试 AI 技术能力上限，

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，Xbench 项目最早在 2022 年启动，在 5 月公布的论文中， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，起初作为红杉中国内部使用的工具，

① 在首期测试中，金融、前往「收件箱」查看完整解读