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。同时量化真实场景效用价值。点击菜单栏「收件箱」查看。评估任务由对应领域的专家结合实际业务需求设定，金融、再由大学教授将评估任务转化为评估指标，在评估中得分最低。导致其在此次评估中的表现较低。

02 什么是长青评估机制？

1、后在 2025 年 5 月下旬正式对外公开。市场营销、而是重点量化 AI 系统在真实场景的效用价值。

② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐，以此测试 AI 技术能力上限，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

4、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。

③ 此外，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），前往「收件箱」查看完整解读 

② Xbench 团队计划定期测评市场主流 Agent 产品，

① 双轨评估体系将评测任务划分为两条互补的主线。[2-1] 

① 研究者指出，通过该流程使基准与生产力价值之间建立强相关性。

③ Xbench 的第三次升级发生于 2025 年 3 月，

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。Agent 应用的产品版本需要考虑其生命周期。