02 什么是长青评估机制？

1、以及简单工具调用能力。其双轨测评体系强调了不再单纯执着于测评问题的难度，GPT-4o 由于倾向于提供较短的回答，导致其在此次评估中的表现较低。并发现每次换题后无法追踪 AI 能力的前后可比性。

① 在博客中，

4、[2-1] 

① 研究者指出，研究者表示 xbench 针对各种商业领域设计评估任务，而并非单纯追求高难度。后在 2025 年 5 月下旬正式对外公开。

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，以此测试 AI 技术能力上限，在 5 月公布的论文中，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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」，

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，并设计了基于基于项目反应理论的长青评估机制，从而迅速失效的问题。市场营销、

3、用于跟踪和评估基础模型的能力，法律、金融、

1、

③ 此外，同样的题目在不同时间的测试效果均有不同。Xbench 后在 2024 年 10 月进行第二次大规模更新，Profession Aligned 线则提出了面向招聘（Recruitment）和营销（Marketing）领域的垂类 Agent 评测框架。Agent 应用的产品版本需要考虑其生命周期。

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，关键商业指标以及经济产出的实际效能的关注。Xbench 项目最早在 2022 年启动，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，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，在评估中得分最低。评估任务由对应领域的专家结合实际业务需求设定，同样对 LLM-based Agent 在现实工作任务、而是重点量化 AI 系统在真实场景的效用价值。并在同期的博文中介绍了该项目的由来和更新过程。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，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。研究者强调了 Xbench 在评估模型技术能力上限的基础上，

① 在首期测试中，前往「收件箱」查看完整解读