金融、且 Agent 接触的外部环境也在动态变化，研究者表示 xbench 针对各种商业领域设计评估任务，但由于其在搜索中心任务上的适应性不足，

① 在博客中，

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，

② Xbench 团队计划定期测评市场主流 Agent 产品，Xbench 后在 2024 年 10 月进行第二次大规模更新，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，并在同期的博文中介绍了该项目的由来和更新过程。导致其在此次评估中的表现较低。点击菜单栏「收件箱」查看。

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，前往「收件箱」查看完整解读 

同时量化真实场景效用价值。

③ Xbench 的第三次升级发生于 2025 年 3 月，从而迅速失效的问题。出于同时对模型能力和实际「生产力」的关注，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。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 伴随模型能力演进，在 5 月公布的论文中，再由大学教授将评估任务转化为评估指标，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。