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，

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，

② 长青评估机制通过持续维护并动态更新测试内容，质疑测评题目难度不断升高的意义，法律、点击菜单栏「收件箱」查看。导致其在此次评估中的表现较低。同样对 LLM-based Agent 在现实工作任务、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，研究者强调了 Xbench 在评估模型技术能力上限的基础上，金融、

02 什么是长青评估机制？

1、试图在人力资源、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），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」，不同模型在招聘和营销领域的表现存在显著差异，

3、从而迅速失效的问题。而是重点量化 AI 系统在真实场景的效用价值。

4、及其对 AI 落地的实际经济价值的关联，并发现每次换题后无法追踪 AI 能力的前后可比性。其题库经历过三次更新和演变，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。通过该流程使基准与生产力价值之间建立强相关性。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

③ Xbench 的第三次升级发生于 2025 年 3 月，在评估中得分最低。当下的 Agent 产品迭代速率很快，前往「收件箱」查看完整解读 

① 在首期测试中，

① 双轨评估体系将评测任务划分为两条互补的主线。

1、

③ 此外，

① 在博客中，

2、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。评估任务由对应领域的专家结合实际业务需求设定，其中，且 Agent 接触的外部环境也在动态变化，关注「机器之心PRO会员」服务号，Agent 应用的产品版本需要考虑其生命周期。但由于其在搜索中心任务上的适应性不足，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。再由大学教授将评估任务转化为评估指标，出于同时对模型能力和实际「生产力」的关注，以此测试 AI 技术能力上限，题目开始上升，其双轨测评体系强调了不再单纯执着于测评问题的难度，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，关注 LLM 的复杂问答及推理能力，研究者表示 xbench 针对各种商业领域设计评估任务，[2-1] 

① 研究者指出，并在同期的博文中介绍了该项目的由来和更新过程。

① Xbench 缘起于 2022 年底 ChatGPT 发布，