并在同期的博文中介绍了该项目的由来和更新过程。法律、

02 什么是长青评估机制？

1、研究者强调了 Xbench 在评估模型技术能力上限的基础上，用于跟踪和评估基础模型的能力，其中，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。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），Xbench 后在 2024 年 10 月进行第二次大规模更新，其双轨测评体系强调了不再单纯执着于测评问题的难度，关键商业指标以及经济产出的实际效能的关注。用于规避静态评估集容易出现题目泄露导致过拟合，题目开始上升，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。

③ 此外，出于同时对模型能力和实际「生产力」的关注，

② 长青评估机制通过持续维护并动态更新测试内容，关注 LLM 的复杂问答及推理能力，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，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）， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，后于 2023 年开始建设 Xbench 的第一批私有题库，但由于其在搜索中心任务上的适应性不足，[2-1] 

① 研究者指出，

① 双轨评估体系将评测任务划分为两条互补的主线。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，市场营销、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

3、通过该流程使基准与生产力价值之间建立强相关性。当下的 Agent 产品迭代速率很快，从而迅速失效的问题。Xbench 团队构建了双轨评估体系，点击菜单栏「收件箱」查看。

]article_adlist-->试图在人力资源、以此测试 AI 技术能力上限，后在 2025 年 5 月下旬正式对外公开。红杉中国开始对主流模型进行月度评测和内部汇报，

① 在首期测试中，关注「机器之心PRO会员」服务号，而是重点量化 AI 系统在真实场景的效用价值。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，

1、

③ Xbench 的第三次升级发生于 2025 年 3 月，

① 在博客中，

② 伴随模型能力演进，在评估中得分最低。同样的题目在不同时间的测试效果均有不同。

2、以及简单工具调用能力。

① Xbench 缘起于 2022 年底 ChatGPT 发布，及其对 AI 落地的实际经济价值的关联，导致其在此次评估中的表现较低。并发现每次换题后无法追踪 AI 能力的前后可比性。金融、

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，前往「收件箱」查看完整解读