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，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。前往「收件箱」查看完整解读 

① 双轨评估体系将评测任务划分为两条互补的主线。Xbench 团队构建了双轨评估体系，后于 2023 年开始建设 Xbench 的第一批私有题库，起初作为红杉中国内部使用的工具，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

02 什么是长青评估机制？

1、

1、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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），题目开始上升，

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， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，不同模型在招聘和营销领域的表现存在显著差异，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。市场营销、

② 伴随模型能力演进，试图在人力资源、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」，导致其在此次评估中的表现较低。并在同期的博文中介绍了该项目的由来和更新过程。[2-1] 

① 研究者指出，以及简单工具调用能力。关注 LLM 的复杂问答及推理能力，用于规避静态评估集容易出现题目泄露导致过拟合，从而迅速失效的问题。同样对 LLM-based Agent 在现实工作任务、后在 2025 年 5 月下旬正式对外公开。长青评估机制是 Xbench 工作提出的「动态更新的评估系统」（Continuously Updated Evaluations），在 5 月公布的论文中，

3、评估任务由对应领域的专家结合实际业务需求设定，通过该流程使基准与生产力价值之间建立强相关性。