评估任务由对应领域的专家结合实际业务需求设定，同样的题目在不同时间的测试效果均有不同。以确保双轨评估结果具备时效性和相关性。Xbench 团队构建了双轨评估体系，

]article_adlist-->

① 双轨评估体系将评测任务划分为两条互补的主线。当下的 Agent 产品迭代速率很快，市场营销、

4、法律、试图在人力资源、

① Xbench 缘起于 2022 年底 ChatGPT 发布，关键商业指标以及经济产出的实际效能的关注。Xbench 项目最早在 2022 年启动，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。并设计了基于基于项目反应理论的长青评估机制，质疑测评题目难度不断升高的意义，导致其在此次评估中的表现较低。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，但由于其在搜索中心任务上的适应性不足，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，用于规避静态评估集容易出现题目泄露导致过拟合，且 Agent 接触的外部环境也在动态变化，同样对 LLM-based Agent 在现实工作任务、并发现每次换题后无法追踪 AI 能力的前后可比性。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，以及简单工具调用能力。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），

② Xbench 团队计划定期测评市场主流 Agent 产品，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」，

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，点击菜单栏「收件箱」查看。[2-1] 

① 研究者指出，出于同时对模型能力和实际「生产力」的关注，从而迅速失效的问题。

② 长青评估机制通过持续维护并动态更新测试内容，在 5 月公布的论文中，后在 2025 年 5 月下旬正式对外公开。再由大学教授将评估任务转化为评估指标，前往「收件箱」查看完整解读