从性能到实战，怎样才算是靠谱的 Agent 产品？

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，

① 在博客中，同样对 LLM-based Agent 在现实工作任务、

② Xbench 团队计划定期测评市场主流 Agent 产品，试图在人力资源、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，当下的 Agent 产品迭代速率很快，评估任务由对应领域的专家结合实际业务需求设定，

② 长青评估机制通过持续维护并动态更新测试内容，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、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），用于跟踪和评估基础模型的能力，红杉中国开始对主流模型进行月度评测和内部汇报，以此测试 AI 技术能力上限，

2、但由于其在搜索中心任务上的适应性不足，并发现每次换题后无法追踪 AI 能力的前后可比性。从而迅速失效的问题。且 Agent 接触的外部环境也在动态变化，再由大学教授将评估任务转化为评估指标，前往「收件箱」查看完整解读