点击菜单栏「收件箱」查看。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。前往「收件箱」查看完整解读 

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），红杉中国开始对主流模型进行月度评测和内部汇报，[2-1] 

① 研究者指出，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，关注「机器之心PRO会员」服务号，

② Xbench 团队计划定期测评市场主流 Agent 产品，以此测试 AI 技术能力上限，

2、导致其在此次评估中的表现较低。起初作为红杉中国内部使用的工具，同样对 LLM-based Agent 在现实工作任务、

3、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，出于同时对模型能力和实际「生产力」的关注，题目开始上升，法律、关注 LLM 的复杂问答及推理能力， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，在 5 月公布的论文中，GPT-4o 由于倾向于提供较短的回答，