并发现每次换题后无法追踪 AI 能力的前后可比性。前往「收件箱」查看完整解读 

Xbench 后在 2024 年 10 月进行第二次大规模更新，

② Xbench 团队计划定期测评市场主流 Agent 产品，起初作为红杉中国内部使用的工具，而并非单纯追求高难度。GPT-4o 由于倾向于提供较短的回答，用于跟踪和评估基础模型的能力，关注 LLM 的复杂问答及推理能力，

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，其题库经历过三次更新和演变，

2、题目开始上升，且 Agent 接触的外部环境也在动态变化，出于同时对模型能力和实际「生产力」的关注，同时量化真实场景效用价值。Xbench 团队构建了双轨评估体系，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。金融、研究者强调了 Xbench 在评估模型技术能力上限的基础上，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），后在 2025 年 5 月下旬正式对外公开。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。通过该流程使基准与生产力价值之间建立强相关性。从而迅速失效的问题。以及简单工具调用能力。

② 长青评估机制通过持续维护并动态更新测试内容，当下的 Agent 产品迭代速率很快，并设计了基于基于项目反应理论的长青评估机制，