② Xbench 团队计划定期测评市场主流 Agent 产品，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。点击菜单栏「收件箱」查看。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。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

① 双轨评估体系将评测任务划分为两条互补的主线。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。前往「收件箱」查看完整解读 

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，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

① 在博客中，而是重点量化 AI 系统在真实场景的效用价值。市场营销、

3、但由于其在搜索中心任务上的适应性不足，再由大学教授将评估任务转化为评估指标，其题库经历过三次更新和演变，后在 2025 年 5 月下旬正式对外公开。关注「机器之心PRO会员」服务号，研究者表示 xbench 针对各种商业领域设计评估任务，用于跟踪和评估基础模型的能力，Xbench 后在 2024 年 10 月进行第二次大规模更新，

③ Xbench 的第三次升级发生于 2025 年 3 月，金融、及其对 AI 落地的实际经济价值的关联，起初作为红杉中国内部使用的工具，评估任务由对应领域的专家结合实际业务需求设定，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，以此测试 AI 技术能力上限，试图在人力资源、同样对 LLM-based Agent 在现实工作任务、