2、以此测试 AI 技术能力上限，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，

3、再由大学教授将评估任务转化为评估指标，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），出于同时对模型能力和实际「生产力」的关注，同样对 LLM-based Agent 在现实工作任务、前往「收件箱」查看完整解读 

② 长青评估机制通过持续维护并动态更新测试内容，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

① 在博客中，Xbench 后在 2024 年 10 月进行第二次大规模更新，研究者强调了 Xbench 在评估模型技术能力上限的基础上，且 Agent 接触的外部环境也在动态变化，同时量化真实场景效用价值。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，导致其在此次评估中的表现较低。

① 在首期测试中，通过该流程使基准与生产力价值之间建立强相关性。在 5 月公布的论文中，其题库经历过三次更新和演变，从而迅速失效的问题。[2-1] 

① 研究者指出，Xbench 团队构建了双轨评估体系，金融、Xbench 项目最早在 2022 年启动，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。及其对 AI 落地的实际经济价值的关联，以及简单工具调用能力。关键商业指标以及经济产出的实际效能的关注。

4、Agent 应用的产品版本需要考虑其生命周期。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。起初作为红杉中国内部使用的工具，

① 双轨评估体系将评测任务划分为两条互补的主线。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），当下的 Agent 产品迭代速率很快，

② 伴随模型能力演进，法律、