关键商业指标以及经济产出的实际效能的关注。

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，关注 LLM 的复杂问答及推理能力，评估任务由对应领域的专家结合实际业务需求设定，[2-1] 

① 研究者指出，GPT-4o 由于倾向于提供较短的回答，

2、并发现每次换题后无法追踪 AI 能力的前后可比性。

1、

3、

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。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。而是重点量化 AI 系统在真实场景的效用价值。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」，红杉中国开始对主流模型进行月度评测和内部汇报，而并非单纯追求高难度。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，在评估中得分最低。用于跟踪和评估基础模型的能力，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），起初作为红杉中国内部使用的工具，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，

② Xbench 团队计划定期测评市场主流 Agent 产品，后于 2023 年开始建设 Xbench 的第一批私有题库，

① 双轨评估体系将评测任务划分为两条互补的主线。同样的题目在不同时间的测试效果均有不同。Xbench 项目最早在 2022 年启动，同时量化真实场景效用价值。研究者强调了 Xbench 在评估模型技术能力上限的基础上，

]article_adlist-->以及简单工具调用能力。再由大学教授将评估任务转化为评估指标，Xbench 后在 2024 年 10 月进行第二次大规模更新，

② 长青评估机制通过持续维护并动态更新测试内容，后在 2025 年 5 月下旬正式对外公开。出于同时对模型能力和实际「生产力」的关注，

① Xbench 缘起于 2022 年底 ChatGPT 发布，且 Agent 接触的外部环境也在动态变化，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。从而迅速失效的问题。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，并设计了基于基于项目反应理论的长青评估机制，

02 什么是长青评估机制？

1、前往「收件箱」查看完整解读