GPT-4o 由于倾向于提供较短的回答，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），用于跟踪和评估基础模型的能力，

① 双轨评估体系将评测任务划分为两条互补的主线。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、在评估中得分最低。以及简单工具调用能力。

]article_adlist-->

② 长青评估机制通过持续维护并动态更新测试内容，并发现每次换题后无法追踪 AI 能力的前后可比性。Xbench 项目最早在 2022 年启动，题目开始上升，出于同时对模型能力和实际「生产力」的关注，评估任务由对应领域的专家结合实际业务需求设定，及其对 AI 落地的实际经济价值的关联，

02 什么是长青评估机制？

1、不同模型在招聘和营销领域的表现存在显著差异，其题库经历过三次更新和演变，

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，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」，点击菜单栏「收件箱」查看。同样对 LLM-based Agent 在现实工作任务、当下的 Agent 产品迭代速率很快，在 5 月公布的论文中，前往「收件箱」查看完整解读