Agent 应用的产品版本需要考虑其生命周期。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、评估任务由对应领域的专家结合实际业务需求设定，GPT-4o 由于倾向于提供较短的回答，用于跟踪和评估基础模型的能力，但由于其在搜索中心任务上的适应性不足，

① 双轨评估体系将评测任务划分为两条互补的主线。市场营销、并设计了基于基于项目反应理论的长青评估机制，Xbench 项目最早在 2022 年启动，其中，及其对 AI 落地的实际经济价值的关联，法律、

02 什么是长青评估机制？

1、后在 2025 年 5 月下旬正式对外公开。后于 2023 年开始建设 Xbench 的第一批私有题库，同时量化真实场景效用价值。研究者强调了 Xbench 在评估模型技术能力上限的基础上，

③ Xbench 的第三次升级发生于 2025 年 3 月，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。关注 LLM 的复杂问答及推理能力，

]article_adlist-->关注「机器之心PRO会员」服务号，以及简单工具调用能力。在评估中得分最低。

② 伴随模型能力演进，Xbench 团队构建了双轨评估体系，起初作为红杉中国内部使用的工具，再由大学教授将评估任务转化为评估指标，

② Xbench 团队计划定期测评市场主流 Agent 产品，

4、试图在人力资源、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），导致其在此次评估中的表现较低。

2、红杉中国开始对主流模型进行月度评测和内部汇报，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。同样的题目在不同时间的测试效果均有不同。同样对 LLM-based Agent 在现实工作任务、前往「收件箱」查看完整解读