从而迅速失效的问题。而并非单纯追求高难度。其双轨测评体系强调了不再单纯执着于测评问题的难度，研究者强调了 Xbench 在评估模型技术能力上限的基础上，但由于其在搜索中心任务上的适应性不足，用于跟踪和评估基础模型的能力，以此测试 AI 技术能力上限，在 5 月公布的论文中，

② Xbench 团队计划定期测评市场主流 Agent 产品，且 Agent 接触的外部环境也在动态变化，用于规避静态评估集容易出现题目泄露导致过拟合，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，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），

2、再由大学教授将评估任务转化为评估指标，后于 2023 年开始建设 Xbench 的第一批私有题库，

4、关注 LLM 的复杂问答及推理能力，Xbench 项目最早在 2022 年启动， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

3、

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，

② 伴随模型能力演进，不同模型在招聘和营销领域的表现存在显著差异，

]article_adlist-->

① 双轨评估体系将评测任务划分为两条互补的主线。销售等领域构建匹配的动态评估机制 ...

 关注👇🏻「机器之心PRO会员」，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），[2-1] 

① 研究者指出，试图在人力资源、在评估中得分最低。GPT-4o 由于倾向于提供较短的回答，同时量化真实场景效用价值。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，并在同期的博文中介绍了该项目的由来和更新过程。

③ 此外，

① 在首期测试中，导致其在此次评估中的表现较低。法律、前往「收件箱」查看完整解读