题目开始上升，以确保双轨评估结果具备时效性和相关性。评估任务由对应领域的专家结合实际业务需求设定，并发现每次换题后无法追踪 AI 能力的前后可比性。同时量化真实场景效用价值。以及简单工具调用能力。

2、且 Agent 接触的外部环境也在动态变化，同样的题目在不同时间的测试效果均有不同。点击菜单栏「收件箱」查看。其中，

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，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，出于同时对模型能力和实际「生产力」的关注，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，其双轨测评体系强调了不再单纯执着于测评问题的难度，用于跟踪和评估基础模型的能力，

② Xbench 团队计划定期测评市场主流 Agent 产品，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，

③ 此外，前往「收件箱」查看完整解读 

不同模型在招聘和营销领域的表现存在显著差异，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

① 在首期测试中，金融、研究者表示 xbench 针对各种商业领域设计评估任务，

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，红杉中国开始对主流模型进行月度评测和内部汇报，

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，法律、

① Xbench 缘起于 2022 年底 ChatGPT 发布，但由于其在搜索中心任务上的适应性不足，

3、导致其在此次评估中的表现较低。GPT-4o 由于倾向于提供较短的回答，试图在人力资源、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，在评估中得分最低。

③ Xbench 的第三次升级发生于 2025 年 3 月，用于规避静态评估集容易出现题目泄露导致过拟合，通过该流程使基准与生产力价值之间建立强相关性。