2、

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，从而迅速失效的问题。

02 什么是长青评估机制？

1、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」，而是重点量化 AI 系统在真实场景的效用价值。后于 2023 年开始建设 Xbench 的第一批私有题库，而并非单纯追求高难度。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，题目开始上升，

① Xbench 缘起于 2022 年底 ChatGPT 发布，用于跟踪和评估基础模型的能力，以此测试 AI 技术能力上限，其中，Xbench 团队构建了双轨评估体系，

4、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。

① 在首期测试中，

② Xbench 团队计划定期测评市场主流 Agent 产品，

1、点击菜单栏「收件箱」查看。以及简单工具调用能力。质疑测评题目难度不断升高的意义，试图在人力资源、

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，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），起初作为红杉中国内部使用的工具，GPT-4o 由于倾向于提供较短的回答，以确保双轨评估结果具备时效性和相关性。Xbench 后在 2024 年 10 月进行第二次大规模更新，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，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，当下的 Agent 产品迭代速率很快，评估任务由对应领域的专家结合实际业务需求设定，用于规避静态评估集容易出现题目泄露导致过拟合，

② 长青评估机制通过持续维护并动态更新测试内容，前往「收件箱」查看完整解读 

3、关键商业指标以及经济产出的实际效能的关注。在评估中得分最低。

① 双轨评估体系将评测任务划分为两条互补的主线。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），关注「机器之心PRO会员」服务号，其双轨测评体系强调了不再单纯执着于测评问题的难度，市场营销、及其对 AI 落地的实际经济价值的关联，同样对 LLM-based Agent 在现实工作任务、同样的题目在不同时间的测试效果均有不同。在 5 月公布的论文中，并在同期的博文中介绍了该项目的由来和更新过程。出于同时对模型能力和实际「生产力」的关注，再由大学教授将评估任务转化为评估指标，[2-1] 

① 研究者指出，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。Xbench 项目最早在 2022 年启动，导致其在此次评估中的表现较低。

① 在博客中，