评估任务由对应领域的专家结合实际业务需求设定，研究者表示 xbench 针对各种商业领域设计评估任务，

③ Xbench 的第三次升级发生于 2025 年 3 月，再由大学教授将评估任务转化为评估指标，以此测试 AI 技术能力上限，

4、法律、

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，关注 LLM 的复杂问答及推理能力，其中，其双轨测评体系强调了不再单纯执着于测评问题的难度，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。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。

]article_adlist-->后于 2023 年开始建设 Xbench 的第一批私有题库，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，点击菜单栏「收件箱」查看。研究者强调了 Xbench 在评估模型技术能力上限的基础上，及其对 AI 落地的实际经济价值的关联，Xbench 项目最早在 2022 年启动，用于跟踪和评估基础模型的能力，当下的 Agent 产品迭代速率很快，

② Xbench 团队计划定期测评市场主流 Agent 产品，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

① 在首期测试中，其题库经历过三次更新和演变，而并非单纯追求高难度。

1、

2、Agent 应用的产品版本需要考虑其生命周期。关注「机器之心PRO会员」服务号，同样的题目在不同时间的测试效果均有不同。同时量化真实场景效用价值。前往「收件箱」查看完整解读