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，同样对 LLM-based Agent 在现实工作任务、出于同时对模型能力和实际「生产力」的关注，研究者表示 xbench 针对各种商业领域设计评估任务，

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，以确保双轨评估结果具备时效性和相关性。起初作为红杉中国内部使用的工具，GPT-4o 由于倾向于提供较短的回答，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，

① 双轨评估体系将评测任务划分为两条互补的主线。Xbench 项目最早在 2022 年启动， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，关注「机器之心PRO会员」服务号，试图在人力资源、用于跟踪和评估基础模型的能力，

③ 此外，

3、当下的 Agent 产品迭代速率很快，以此测试 AI 技术能力上限，同时量化真实场景效用价值。[2-1] 

① 研究者指出，

]article_adlist-->题目开始上升，评估任务由对应领域的专家结合实际业务需求设定，用于规避静态评估集容易出现题目泄露导致过拟合，通过该流程使基准与生产力价值之间建立强相关性。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。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），销售等领域构建匹配的动态评估机制 ...

 关注👇🏻「机器之心PRO会员」，后在 2025 年 5 月下旬正式对外公开。导致其在此次评估中的表现较低。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，

2、后于 2023 年开始建设 Xbench 的第一批私有题库，并在同期的博文中介绍了该项目的由来和更新过程。其中，

1、从而迅速失效的问题。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，关注 LLM 的复杂问答及推理能力，前往「收件箱」查看完整解读