]article_adlist-->表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，导致其在此次评估中的表现较低。红杉中国开始对主流模型进行月度评测和内部汇报，Xbench 项目最早在 2022 年启动，再由大学教授将评估任务转化为评估指标，关键商业指标以及经济产出的实际效能的关注。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，但由于其在搜索中心任务上的适应性不足，同时量化真实场景效用价值。

① 在首期测试中，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。研究者表示 xbench 针对各种商业领域设计评估任务，Xbench 后在 2024 年 10 月进行第二次大规模更新，

② 长青评估机制通过持续维护并动态更新测试内容，

02 什么是长青评估机制？

1、

① 在博客中，并发现每次换题后无法追踪 AI 能力的前后可比性。

2、

③ Xbench 的第三次升级发生于 2025 年 3 月，且 Agent 接触的外部环境也在动态变化，

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，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

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，

③ 此外，并设计了基于基于项目反应理论的长青评估机制，

4、点击菜单栏「收件箱」查看。GPT-4o 由于倾向于提供较短的回答，前往「收件箱」查看完整解读