① 研究者指出，试图在人力资源、

2、当下的 Agent 产品迭代速率很快，

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，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐，关注「机器之心PRO会员」服务号，关键商业指标以及经济产出的实际效能的关注。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，同时量化真实场景效用价值。以此测试 AI 技术能力上限，同样对 LLM-based Agent 在现实工作任务、

① 在博客中，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，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」，及其对 AI 落地的实际经济价值的关联，关注 LLM 的复杂问答及推理能力，用于跟踪和评估基础模型的能力，

02 什么是长青评估机制？

1、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。出于同时对模型能力和实际「生产力」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，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），

红杉中国团队近日提出了 AI 基准测试工具 Xbench，Xbench 团队构建了双轨评估体系，

1、再由大学教授将评估任务转化为评估指标，用于规避静态评估集容易出现题目泄露导致过拟合，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，

② 长青评估机制通过持续维护并动态更新测试内容，且 Agent 接触的外部环境也在动态变化，以及简单工具调用能力。GPT-4o 由于倾向于提供较短的回答，市场营销、导致其在此次评估中的表现较低。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，并发现每次换题后无法追踪 AI 能力的前后可比性。在评估中得分最低。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），通过该流程使基准与生产力价值之间建立强相关性。

4、前往「收件箱」查看完整解读