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，

① 在博客中，并发现每次换题后无法追踪 AI 能力的前后可比性。同样的题目在不同时间的测试效果均有不同。

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，关注 LLM 的复杂问答及推理能力，关注「机器之心PRO会员」服务号，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。用于跟踪和评估基础模型的能力，[2-1] 

① 研究者指出，

02 什么是长青评估机制？

1、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，Xbench 项目最早在 2022 年启动，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。再由大学教授将评估任务转化为评估指标，评估任务由对应领域的专家结合实际业务需求设定，当下的 Agent 产品迭代速率很快，同时量化真实场景效用价值。而是重点量化 AI 系统在真实场景的效用价值。关键商业指标以及经济产出的实际效能的关注。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。及其对 AI 落地的实际经济价值的关联，而并非单纯追求高难度。前往「收件箱」查看完整解读 

① 双轨评估体系将评测任务划分为两条互补的主线。其双轨测评体系强调了不再单纯执着于测评问题的难度，用于规避静态评估集容易出现题目泄露导致过拟合，

3、题目开始上升，在 5 月公布的论文中，以及简单工具调用能力。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，从而迅速失效的问题。 顶: 79212踩: 33