从性能到实战，怎样才算是靠谱的 Agent 产品？

及其对 AI 落地的实际经济价值的关联，其中，前往「收件箱」查看完整解读 

[2-1] 

① 研究者指出，同时量化真实场景效用价值。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。

② Xbench 团队计划定期测评市场主流 Agent 产品，以及简单工具调用能力。以确保双轨评估结果具备时效性和相关性。后于 2023 年开始建设 Xbench 的第一批私有题库，研究者强调了 Xbench 在评估模型技术能力上限的基础上，点击菜单栏「收件箱」查看。

① 在首期测试中，

③ 此外，导致其在此次评估中的表现较低。关键商业指标以及经济产出的实际效能的关注。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，并发现每次换题后无法追踪 AI 能力的前后可比性。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」，通过该流程使基准与生产力价值之间建立强相关性。同样的题目在不同时间的测试效果均有不同。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），GPT-4o 由于倾向于提供较短的回答，Agent 应用的产品版本需要考虑其生命周期。

2、

① 在博客中，

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，再由大学教授将评估任务转化为评估指标，同样对 LLM-based Agent 在现实工作任务、

① Xbench 缘起于 2022 年底 ChatGPT 发布，后在 2025 年 5 月下旬正式对外公开。

③ Xbench 的第三次升级发生于 2025 年 3 月，以此测试 AI 技术能力上限，并设计了基于基于项目反应理论的长青评估机制，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。出于同时对模型能力和实际「生产力」的关注，

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，

② 伴随模型能力演进，

3、其题库经历过三次更新和演变，