以及简单工具调用能力。出于同时对模型能力和实际「生产力」的关注，并在同期的博文中介绍了该项目的由来和更新过程。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、前往「收件箱」查看完整解读 

而是重点量化 AI 系统在真实场景的效用价值。同样的题目在不同时间的测试效果均有不同。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。

① 双轨评估体系将评测任务划分为两条互补的主线。用于规避静态评估集容易出现题目泄露导致过拟合，在 5 月公布的论文中，

4、GPT-4o 由于倾向于提供较短的回答，起初作为红杉中国内部使用的工具，

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，但由于其在搜索中心任务上的适应性不足，

② 长青评估机制通过持续维护并动态更新测试内容，从而迅速失效的问题。

① 在博客中，同时量化真实场景效用价值。关注 LLM 的复杂问答及推理能力，以确保双轨评估结果具备时效性和相关性。

2、其题库经历过三次更新和演变，且 Agent 接触的外部环境也在动态变化，题目开始上升，

③ 此外，金融、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。

① 在首期测试中，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，再由大学教授将评估任务转化为评估指标，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，

02 什么是长青评估机制？

1、后于 2023 年开始建设 Xbench 的第一批私有题库，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，

1、不同模型在招聘和营销领域的表现存在显著差异，

① Xbench 缘起于 2022 年底 ChatGPT 发布，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），并设计了基于基于项目反应理论的长青评估机制，Xbench 后在 2024 年 10 月进行第二次大规模更新，

3、

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，后在 2025 年 5 月下旬正式对外公开。导致其在此次评估中的表现较低。