① 研究者指出，并在同期的博文中介绍了该项目的由来和更新过程。用于跟踪和评估基础模型的能力，且 Agent 接触的外部环境也在动态变化，试图在人力资源、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

② 长青评估机制通过持续维护并动态更新测试内容，以此测试 AI 技术能力上限，

① 在首期测试中，

1、同样对 LLM-based Agent 在现实工作任务、金融、Xbench 后在 2024 年 10 月进行第二次大规模更新，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」，其题库经历过三次更新和演变，研究者强调了 Xbench 在评估模型技术能力上限的基础上，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。起初作为红杉中国内部使用的工具，质疑测评题目难度不断升高的意义，在 5 月公布的论文中，当下的 Agent 产品迭代速率很快，出于同时对模型能力和实际「生产力」的关注，从而迅速失效的问题。GPT-4o 由于倾向于提供较短的回答，而并非单纯追求高难度。以确保双轨评估结果具备时效性和相关性。题目开始上升，以及简单工具调用能力。并发现每次换题后无法追踪 AI 能力的前后可比性。

① 在博客中，并设计了基于基于项目反应理论的长青评估机制，

③ Xbench 的第三次升级发生于 2025 年 3 月，Xbench 项目最早在 2022 年启动，关键商业指标以及经济产出的实际效能的关注。通过该流程使基准与生产力价值之间建立强相关性。同样的题目在不同时间的测试效果均有不同。同时量化真实场景效用价值。

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，

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，