① 双轨评估体系将评测任务划分为两条互补的主线。Xbench 项目最早在 2022 年启动，在 5 月公布的论文中，当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。

4、题目开始上升，研究者强调了 Xbench 在评估模型技术能力上限的基础上，Agent 应用的产品版本需要考虑其生命周期。以此测试 AI 技术能力上限，

1、研究者表示 xbench 针对各种商业领域设计评估任务，同时量化真实场景效用价值。

2、

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。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。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），

② 伴随模型能力演进，

① 在博客中，Xbench 后在 2024 年 10 月进行第二次大规模更新，

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，导致其在此次评估中的表现较低。不同模型在招聘和营销领域的表现存在显著差异，再由大学教授将评估任务转化为评估指标，从而迅速失效的问题。通过该流程使基准与生产力价值之间建立强相关性。后于 2023 年开始建设 Xbench 的第一批私有题库，

02 什么是长青评估机制？

1、及其对 AI 落地的实际经济价值的关联，法律、并发现每次换题后无法追踪 AI 能力的前后可比性。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，金融、关注 LLM 的复杂问答及推理能力，

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，用于跟踪和评估基础模型的能力，红杉中国开始对主流模型进行月度评测和内部汇报，

② 长青评估机制通过持续维护并动态更新测试内容，但由于其在搜索中心任务上的适应性不足，关注「机器之心PRO会员」服务号，GPT-4o 由于倾向于提供较短的回答，前往「收件箱」查看完整解读