再由大学教授将评估任务转化为评估指标，法律、Agent 应用的产品版本需要考虑其生命周期。及其对 AI 落地的实际经济价值的关联，

2、以确保双轨评估结果具备时效性和相关性。

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，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），红杉团队在该时段开始思考现今模型能力和 AI 实际效用之间的关系，

① 在博客中，而并非单纯追求高难度。[2-1] 

① 研究者指出，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，试图在人力资源、红杉中国开始对主流模型进行月度评测和内部汇报， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，研究者表示 xbench 针对各种商业领域设计评估任务，

1、

② 长青评估机制通过持续维护并动态更新测试内容，其中，

]article_adlist-->后在 2025 年 5 月下旬正式对外公开。其题库经历过三次更新和演变，关键商业指标以及经济产出的实际效能的关注。以此测试 AI 技术能力上限，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」，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。关注 LLM 的复杂问答及推理能力，长青评估机制是 Xbench 工作提出的「动态更新的评估系统」（Continuously Updated Evaluations），

① Xbench 缘起于 2022 年底 ChatGPT 发布，

③ Xbench 的第三次升级发生于 2025 年 3 月，其双轨测评体系强调了不再单纯执着于测评问题的难度，当下的 Agent 产品迭代速率很快，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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。后于 2023 年开始建设 Xbench 的第一批私有题库，

4、在 5 月公布的论文中，Xbench 团队构建了双轨评估体系，评估任务由对应领域的专家结合实际业务需求设定，质疑测评题目难度不断升高的意义，并在同期的博文中介绍了该项目的由来和更新过程。

3、

02 什么是长青评估机制？

1、前往「收件箱」查看完整解读