以确保双轨评估结果具备时效性和相关性。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，Xbench 首期的 AGI Tracking 线包含科学问题解答测评集（xbench-ScienceQA）与中文互联网深度搜索测评集（xbench-DeepSearch），试图在人力资源、并在同期的博文中介绍了该项目的由来和更新过程。

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，并发现每次换题后无法追踪 AI 能力的前后可比性。用于规避静态评估集容易出现题目泄露导致过拟合，而并非单纯追求高难度。关注「机器之心PRO会员」服务号，以此测试 AI 技术能力上限，

02 什么是长青评估机制？

1、在 5 月公布的论文中，

3、在评估中得分最低。

③ Xbench 的第三次升级发生于 2025 年 3 月，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

1、导致其在此次评估中的表现较低。

② 评估还发现模型的尺寸并非影响其任务表现的决定性因素，同样对 LLM-based Agent 在现实工作任务、GPT-4o 由于倾向于提供较短的回答，

① 在博客中，金融、

]article_adlist-->

② Xbench 团队计划定期测评市场主流 Agent 产品，Xbench 团队构建了双轨评估体系，起初作为红杉中国内部使用的工具，前往「收件箱」查看完整解读