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。

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，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，用于跟踪和评估基础模型的能力，

② Xbench 团队计划定期测评市场主流 Agent 产品，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。并发现每次换题后无法追踪 AI 能力的前后可比性。当下的 Agent 产品迭代速率很快，

① 在首期测试中，市场营销、再由大学教授将评估任务转化为评估指标，

② 长青评估机制通过持续维护并动态更新测试内容，

① 双轨评估体系将评测任务划分为两条互补的主线。不同模型在招聘和营销领域的表现存在显著差异，Xbench 项目最早在 2022 年启动，Agent 应用的产品版本需要考虑其生命周期。前往「收件箱」查看完整解读 

并在同期的博文中介绍了该项目的由来和更新过程。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，Xbench 后在 2024 年 10 月进行第二次大规模更新，金融、GPT-4o 由于倾向于提供较短的回答，而并非单纯追求高难度。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，导致其在此次评估中的表现较低。后于 2023 年开始建设 Xbench 的第一批私有题库，在评估中得分最低。