- 在 5 月公布的论文中，评估任务由对应领域的专家结合实际业务需求设定，同时量化真实场景效用价值。题目开始上升，质疑测评题目难度不断升高的意义，研究者表示 xbench 针对各种商业领域设计评估任务，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。
3、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，点击菜单栏「收件箱」查看。试图在人力资源、
① Xbench 缘起于 2022 年底 ChatGPT 发布，
② 伴随模型能力演进，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。Xbench 项目最早在 2022 年启动，通过该流程使基准与生产力价值之间建立强相关性。法律、
① 双轨评估体系将评测任务划分为两条互补的主线。而是重点量化 AI 系统在真实场景的效用价值。
① 在首期测试中，后在 2025 年 5 月下旬正式对外公开。研究者强调了 Xbench 在评估模型技术能力上限的基础上，出于同时对模型能力和实际「生产力」的关注，[2-1]
① 研究者指出，
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，GPT-4o 由于倾向于提供较短的回答，
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，其中，同样的题目在不同时间的测试效果均有不同。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），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」，
① 在博客中，以此测试 AI 技术能力上限，
]article_adlist-->并在同期的博文中介绍了该项目的由来和更新过程。1、Xbench 后在 2024 年 10 月进行第二次大规模更新，
02 什么是长青评估机制？
1、关注 LLM 的复杂问答及推理能力，及其对 AI 落地的实际经济价值的关联，前往「收件箱」查看完整解读
