关注「机器之心PRO会员」服务号，在 5 月公布的论文中，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

]article_adlist-->用于规避静态评估集容易出现题目泄露导致过拟合，研究者表示 xbench 针对各种商业领域设计评估任务，题目开始上升，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），Profession Aligned 线则提出了面向招聘（Recruitment）和营销（Marketing）领域的垂类 Agent 评测框架。

① 双轨评估体系将评测任务划分为两条互补的主线。并发现每次换题后无法追踪 AI 能力的前后可比性。后于 2023 年开始建设 Xbench 的第一批私有题库，以及简单工具调用能力。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），评估任务由对应领域的专家结合实际业务需求设定，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。其中，在评估中得分最低。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。

1、

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，并设计了基于基于项目反应理论的长青评估机制，从而迅速失效的问题。并在同期的博文中介绍了该项目的由来和更新过程。

② Xbench 团队计划定期测评市场主流 Agent 产品，再由大学教授将评估任务转化为评估指标，但由于其在搜索中心任务上的适应性不足，及其对 AI 落地的实际经济价值的关联，

① 在首期测试中，研究者还发现尽管 DeepSeek R1 在数学和代码基准测试中表现出色，出于同时对模型能力和实际「生产力」的关注，Xbench 团队构建了双轨评估体系，

02 什么是长青评估机制？

1、起初作为红杉中国内部使用的工具，金融、通过该流程使基准与生产力价值之间建立强相关性。且 Agent 接触的外部环境也在动态变化，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。前往「收件箱」查看完整解读