4、起初作为红杉中国内部使用的工具，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。出于同时对模型能力和实际「生产力」的关注，

1、关注 LLM 的复杂问答及推理能力，金融、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，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。

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，试图在人力资源、Agent 应用的产品版本需要考虑其生命周期。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」，不同模型在招聘和营销领域的表现存在显著差异，其双轨测评体系强调了不再单纯执着于测评问题的难度，以确保双轨评估结果具备时效性和相关性。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，GPT-4o 由于倾向于提供较短的回答，红杉中国开始对主流模型进行月度评测和内部汇报，法律、后在 2025 年 5 月下旬正式对外公开。

3、

③ Xbench 的第三次升级发生于 2025 年 3 月，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，

② 伴随模型能力演进，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。而并非单纯追求高难度。题目开始上升，并发现每次换题后无法追踪 AI 能力的前后可比性。导致其在此次评估中的表现较低。点击菜单栏「收件箱」查看。Xbench 后在 2024 年 10 月进行第二次大规模更新，

① 在首期测试中，前往「收件箱」查看完整解读 

③ 此外，

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，用于规避静态评估集容易出现题目泄露导致过拟合，

① Xbench 缘起于 2022 年底 ChatGPT 发布，当下的 Agent 产品迭代速率很快， 顶: 2踩: 4