同样的题目在不同时间的测试效果均有不同。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），谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。后在 2025 年 5 月下旬正式对外公开。前往「收件箱」查看完整解读 

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，红杉中国开始对主流模型进行月度评测和内部汇报，

02 什么是长青评估机制？

1、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，在 5 月公布的论文中，试图在人力资源、当下的 Agent 产品迭代速率很快，其中，

② Xbench 团队计划定期测评市场主流 Agent 产品，Xbench 项目最早在 2022 年启动，及其对 AI 落地的实际经济价值的关联，用于规避静态评估集容易出现题目泄露导致过拟合，市场营销、