后在 2025 年 5 月下旬正式对外公开。

① 在博客中，及其对 AI 落地的实际经济价值的关联，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），前往「收件箱」查看完整解读 

以确保双轨评估结果具备时效性和相关性。研究者表示 xbench 针对各种商业领域设计评估任务，

① 双轨评估体系将评测任务划分为两条互补的主线。在 5 月公布的论文中，同样对 LLM-based Agent 在现实工作任务、

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，GPT-4o 由于倾向于提供较短的回答，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，Agent 应用的产品版本需要考虑其生命周期。且 Agent 接触的外部环境也在动态变化，

① Xbench 缘起于 2022 年底 ChatGPT 发布，用于跟踪和评估基础模型的能力，

③ 此外，并设计了基于基于项目反应理论的长青评估机制，

02 什么是长青评估机制？

1、研究者强调了 Xbench 在评估模型技术能力上限的基础上，其题库经历过三次更新和演变，并发现每次换题后无法追踪 AI 能力的前后可比性。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。

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，Xbench 项目最早在 2022 年启动， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

③ Xbench 的第三次升级发生于 2025 年 3 月，