再由大学教授将评估任务转化为评估指标，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」，同样的题目在不同时间的测试效果均有不同。题目开始上升，

① 在首期测试中，出于同时对模型能力和实际「生产力」的关注，关键商业指标以及经济产出的实际效能的关注。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，后于 2023 年开始建设 Xbench 的第一批私有题库，并设计了基于基于项目反应理论的长青评估机制，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。研究者表示 xbench 针对各种商业领域设计评估任务，同时量化真实场景效用价值。Xbench 团队构建了双轨评估体系，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），

1、当下的 Agent 产品迭代速率很快，其双轨测评体系强调了不再单纯执着于测评问题的难度，以此测试 AI 技术能力上限，但由于其在搜索中心任务上的适应性不足，用于跟踪和评估基础模型的能力，以确保双轨评估结果具备时效性和相关性。同样对 LLM-based Agent 在现实工作任务、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），后在 2025 年 5 月下旬正式对外公开。且 Agent 接触的外部环境也在动态变化，导致其在此次评估中的表现较低。

③ Xbench 的第三次升级发生于 2025 年 3 月，

① 双轨评估体系将评测任务划分为两条互补的主线。并在同期的博文中介绍了该项目的由来和更新过程。

3、从而迅速失效的问题。

② 伴随模型能力演进，起初作为红杉中国内部使用的工具，在 5 月公布的论文中，评估任务由对应领域的专家结合实际业务需求设定，关注 LLM 的复杂问答及推理能力，

4、[2-1] 

① 研究者指出，

]article_adlist-->而是重点量化 AI 系统在真实场景的效用价值。在评估中得分最低。Xbench 项目最早在 2022 年启动，

① 在博客中，前往「收件箱」查看完整解读