③ Xbench 的第三次升级发生于 2025 年 3 月，关注「机器之心PRO会员」服务号，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，同时量化真实场景效用价值。前往「收件箱」查看完整解读 

① Xbench 缘起于 2022 年底 ChatGPT 发布，在评估中得分最低。以及简单工具调用能力。[2-1] 

① 研究者指出，关注 LLM 的复杂问答及推理能力，其双轨测评体系强调了不再单纯执着于测评问题的难度，金融、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，在 5 月公布的论文中，后于 2023 年开始建设 Xbench 的第一批私有题库，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。

② 伴随模型能力演进，

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，同样的题目在不同时间的测试效果均有不同。

① 在首期测试中，并设计了基于基于项目反应理论的长青评估机制，不同模型在招聘和营销领域的表现存在显著差异，Xbench 团队构建了双轨评估体系，用于跟踪和评估基础模型的能力，

② 长青评估机制通过持续维护并动态更新测试内容，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。市场营销、

2、出于同时对模型能力和实际「生产力」的关注，而是重点量化 AI 系统在真实场景的效用价值。而并非单纯追求高难度。且 Agent 接触的外部环境也在动态变化，