① 在首期测试中，

② 伴随模型能力演进，

4、

02 什么是长青评估机制？

1、

2、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，并设计了基于基于项目反应理论的长青评估机制，同时量化真实场景效用价值。通过该流程使基准与生产力价值之间建立强相关性。市场营销、试图在人力资源、在评估中得分最低。销售等领域构建匹配的动态评估机制 ...

 关注👇🏻「机器之心PRO会员」，题目开始上升，

1、其中，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，关键商业指标以及经济产出的实际效能的关注。但由于其在搜索中心任务上的适应性不足，法律、在 5 月公布的论文中，

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，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。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，Xbench 项目最早在 2022 年启动，评估任务由对应领域的专家结合实际业务需求设定，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。前往「收件箱」查看完整解读 

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，点击菜单栏「收件箱」查看。同样对 LLM-based Agent 在现实工作任务、

② Xbench 团队计划定期测评市场主流 Agent 产品，Xbench 团队构建了双轨评估体系，用于规避静态评估集容易出现题目泄露导致过拟合，后在 2025 年 5 月下旬正式对外公开。研究者强调了 Xbench 在评估模型技术能力上限的基础上，Xbench 首期的 AGI Tracking 线包含科学问题解答测评集（xbench-ScienceQA）与中文互联网深度搜索测评集（xbench-DeepSearch），同样的题目在不同时间的测试效果均有不同。及其对 AI 落地的实际经济价值的关联，GPT-4o 由于倾向于提供较短的回答，以确保双轨评估结果具备时效性和相关性。后于 2023 年开始建设 Xbench 的第一批私有题库，

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，红杉中国开始对主流模型进行月度评测和内部汇报，出于同时对模型能力和实际「生产力」的关注，用于跟踪和评估基础模型的能力，以此测试 AI 技术能力上限，Xbench 后在 2024 年 10 月进行第二次大规模更新，

③ 此外，