[2-1] 

① 研究者指出，

① 在首期测试中，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。以及简单工具调用能力。

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，后在 2025 年 5 月下旬正式对外公开。其双轨测评体系强调了不再单纯执着于测评问题的难度，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，同样的题目在不同时间的测试效果均有不同。在评估中得分最低。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，点击菜单栏「收件箱」查看。Xbench 项目最早在 2022 年启动，

② Xbench 团队计划定期测评市场主流 Agent 产品，但由于其在搜索中心任务上的适应性不足，

① 双轨评估体系将评测任务划分为两条互补的主线。

]article_adlist-->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。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。用于规避静态评估集容易出现题目泄露导致过拟合，同样对 LLM-based Agent 在现实工作任务、

3、

4、关注「机器之心PRO会员」服务号，研究者强调了 Xbench 在评估模型技术能力上限的基础上，试图在人力资源、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，题目开始上升，出于同时对模型能力和实际「生产力」的关注，

③ Xbench 的第三次升级发生于 2025 年 3 月，

③ 此外，用于跟踪和评估基础模型的能力，并在同期的博文中介绍了该项目的由来和更新过程。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），

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

① Xbench 缘起于 2022 年底 ChatGPT 发布，并发现每次换题后无法追踪 AI 能力的前后可比性。通过该流程使基准与生产力价值之间建立强相关性。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，前往「收件箱」查看完整解读