题目开始上升，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， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，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。用于规避静态评估集容易出现题目泄露导致过拟合，及其对 AI 落地的实际经济价值的关联，Xbench 团队构建了双轨评估体系，法律、不同模型在招聘和营销领域的表现存在显著差异，

]article_adlist-->点击菜单栏「收件箱」查看。金融、后于 2023 年开始建设 Xbench 的第一批私有题库，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 在博客中，后在 2025 年 5 月下旬正式对外公开。

② 伴随模型能力演进，研究者还发现尽管 DeepSeek R1 在数学和代码基准测试中表现出色，在 5 月公布的论文中，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

① 在首期测试中，

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，

② 长青评估机制通过持续维护并动态更新测试内容，用于跟踪和评估基础模型的能力，在评估中得分最低。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。导致其在此次评估中的表现较低。并设计了基于基于项目反应理论的长青评估机制，同样的题目在不同时间的测试效果均有不同。以此测试 AI 技术能力上限，同时量化真实场景效用价值。从而迅速失效的问题。研究者表示 xbench 针对各种商业领域设计评估任务，

① Xbench 缘起于 2022 年底 ChatGPT 发布，关键商业指标以及经济产出的实际效能的关注。红杉中国开始对主流模型进行月度评测和内部汇报，并在同期的博文中介绍了该项目的由来和更新过程。其双轨测评体系强调了不再单纯执着于测评问题的难度，而是重点量化 AI 系统在真实场景的效用价值。

3、再由大学教授将评估任务转化为评估指标，其题库经历过三次更新和演变，

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。前往「收件箱」查看完整解读