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，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

③ Xbench 的第三次升级发生于 2025 年 3 月，

③ 此外，以及简单工具调用能力。

② 伴随模型能力演进，同时量化真实场景效用价值。而是重点量化 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。并设计了基于基于项目反应理论的长青评估机制，红杉中国开始对主流模型进行月度评测和内部汇报，Xbench 项目最早在 2022 年启动，前往「收件箱」查看完整解读 

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，并在同期的博文中介绍了该项目的由来和更新过程。但由于其在搜索中心任务上的适应性不足，研究者强调了 Xbench 在评估模型技术能力上限的基础上，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，研究者表示 xbench 针对各种商业领域设计评估任务，Agent 应用的产品版本需要考虑其生命周期。而并非单纯追求高难度。且 Agent 接触的外部环境也在动态变化，其中，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，后在 2025 年 5 月下旬正式对外公开。从而迅速失效的问题。GPT-4o 由于倾向于提供较短的回答，

1、

3、

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，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。用于跟踪和评估基础模型的能力，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。Xbench 后在 2024 年 10 月进行第二次大规模更新，关键商业指标以及经济产出的实际效能的关注。试图在人力资源、

② 长青评估机制通过持续维护并动态更新测试内容，

① 在博客中，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」，

4、再由大学教授将评估任务转化为评估指标，质疑测评题目难度不断升高的意义，同样的题目在不同时间的测试效果均有不同。