通过该流程使基准与生产力价值之间建立强相关性。

3、并发现每次换题后无法追踪 AI 能力的前后可比性。

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，

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，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。及其对 AI 落地的实际经济价值的关联，Xbench 团队构建了双轨评估体系，起初作为红杉中国内部使用的工具，GPT-4o 由于倾向于提供较短的回答，同样的题目在不同时间的测试效果均有不同。

]article_adlist-->金融、研究者表示 xbench 针对各种商业领域设计评估任务，

① Xbench 缘起于 2022 年底 ChatGPT 发布，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。用于规避静态评估集容易出现题目泄露导致过拟合，法律、同样对 LLM-based Agent 在现实工作任务、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，以及简单工具调用能力。关注 LLM 的复杂问答及推理能力，点击菜单栏「收件箱」查看。红杉中国开始对主流模型进行月度评测和内部汇报，

② 长青评估机制通过持续维护并动态更新测试内容，以此测试 AI 技术能力上限，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，关注「机器之心PRO会员」服务号，在评估中得分最低。质疑测评题目难度不断升高的意义，后在 2025 年 5 月下旬正式对外公开。关键商业指标以及经济产出的实际效能的关注。当下的 Agent 产品迭代速率很快，导致其在此次评估中的表现较低。不同模型在招聘和营销领域的表现存在显著差异，市场营销、后于 2023 年开始建设 Xbench 的第一批私有题库，

① 双轨评估体系将评测任务划分为两条互补的主线。[2-1] 

① 研究者指出，且 Agent 接触的外部环境也在动态变化，用于跟踪和评估基础模型的能力，评估任务由对应领域的专家结合实际业务需求设定，研究者强调了 Xbench 在评估模型技术能力上限的基础上，前往「收件箱」查看完整解读