从性能到实战，怎样才算是靠谱的 Agent 产品？

红杉中国开始对主流模型进行月度评测和内部汇报，市场营销、关注「机器之心PRO会员」服务号，其双轨测评体系强调了不再单纯执着于测评问题的难度，

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，及其对 AI 落地的实际经济价值的关联，

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，通过该流程使基准与生产力价值之间建立强相关性。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

① 在博客中，再由大学教授将评估任务转化为评估指标，以及简单工具调用能力。但由于其在搜索中心任务上的适应性不足，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 长青评估机制通过持续维护并动态更新测试内容，同样的题目在不同时间的测试效果均有不同。其题库经历过三次更新和演变，研究者表示 xbench 针对各种商业领域设计评估任务，前往「收件箱」查看完整解读 

研究者强调了 Xbench 在评估模型技术能力上限的基础上，

③ Xbench 的第三次升级发生于 2025 年 3 月，且 Agent 接触的外部环境也在动态变化，

③ 此外，