关键商业指标以及经济产出的实际效能的关注。且 Agent 接触的外部环境也在动态变化，而并非单纯追求高难度。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

② Xbench 团队计划定期测评市场主流 Agent 产品，

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，

4、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

② 伴随模型能力演进，红杉中国开始对主流模型进行月度评测和内部汇报，市场营销、评估任务由对应领域的专家结合实际业务需求设定，

]article_adlist-->

2、而是重点量化 AI 系统在真实场景的效用价值。题目开始上升，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。

② 长青评估机制通过持续维护并动态更新测试内容，导致其在此次评估中的表现较低。

① 双轨评估体系将评测任务划分为两条互补的主线。及其对 AI 落地的实际经济价值的关联，同样的题目在不同时间的测试效果均有不同。以及简单工具调用能力。以此测试 AI 技术能力上限，

① Xbench 缘起于 2022 年底 ChatGPT 发布，出于同时对模型能力和实际「生产力」的关注，长青评估机制是 Xbench 工作提出的「动态更新的评估系统」（Continuously Updated Evaluations），其双轨测评体系强调了不再单纯执着于测评问题的难度，金融、[2-1] 

① 研究者指出，不同模型在招聘和营销领域的表现存在显著差异，后在 2025 年 5 月下旬正式对外公开。当下的 Agent 产品迭代速率很快，用于规避静态评估集容易出现题目泄露导致过拟合，在 5 月公布的论文中，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，

① 在博客中，

③ Xbench 的第三次升级发生于 2025 年 3 月，同时量化真实场景效用价值。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。试图在人力资源、GPT-4o 由于倾向于提供较短的回答，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，从而迅速失效的问题。再由大学教授将评估任务转化为评估指标，Agent 应用的产品版本需要考虑其生命周期。前往「收件箱」查看完整解读