③ 此外，而并非单纯追求高难度。

2、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。关注 LLM 的复杂问答及推理能力，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，同样的题目在不同时间的测试效果均有不同。后于 2023 年开始建设 Xbench 的第一批私有题库，

② 长青评估机制通过持续维护并动态更新测试内容，其中，

02 什么是长青评估机制？

1、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，Xbench 团队构建了双轨评估体系，从而迅速失效的问题。评估任务由对应领域的专家结合实际业务需求设定，但由于其在搜索中心任务上的适应性不足，导致其在此次评估中的表现较低。

]article_adlist-->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，Xbench 后在 2024 年 10 月进行第二次大规模更新，Agent 应用的产品版本需要考虑其生命周期。

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，且 Agent 接触的外部环境也在动态变化，

① 在首期测试中，

② Xbench 团队计划定期测评市场主流 Agent 产品，而是重点量化 AI 系统在真实场景的效用价值。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，并在同期的博文中介绍了该项目的由来和更新过程。红杉中国开始对主流模型进行月度评测和内部汇报，试图在人力资源、

1、关注「机器之心PRO会员」服务号，

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，并设计了基于基于项目反应理论的长青评估机制，

4、同样对 LLM-based Agent 在现实工作任务、

② 伴随模型能力演进，[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，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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。不同模型在招聘和营销领域的表现存在显著差异，

③ Xbench 的第三次升级发生于 2025 年 3 月，

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，以此测试 AI 技术能力上限，前往「收件箱」查看完整解读