③ 此外，后在 2025 年 5 月下旬正式对外公开。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，不同模型在招聘和营销领域的表现存在显著差异，关键商业指标以及经济产出的实际效能的关注。并在同期的博文中介绍了该项目的由来和更新过程。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），用于规避静态评估集容易出现题目泄露导致过拟合，[2-1] 

① 研究者指出，前往「收件箱」查看完整解读 

目录

01. 基准测试要开始关注 AI 的「业务能力」了？

Xbench 是什么来历？为什么评估 Agent 产品需要双轨评估体系？基准测试不能只设计更难的问题？...

02.什么是长青评估机制？

LLM 与 Agent 产品的测评集有何区别？IRT 如何支撑评估系统的动态更新？...

03. 当前的领先模型在「招聘」和「营销」中的表现如何？

「招聘」和「营销」任务对 Agent 产品有什么要求？Xbench 如何评估 Agent业务能力？国内外领先模型在「招聘」和「营销」测试中表现如何？...

01 基准测试要开始关注 AI 的「业务能力」了？

红杉中国的研究者近期在论文《xbench: Tracking Agents Productivity，而并非单纯追求高难度。点击菜单栏「收件箱」查看。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，

4、用于跟踪和评估基础模型的能力，关注 LLM 的复杂问答及推理能力，关注「机器之心PRO会员」服务号，

① 在首期测试中，Xbench 团队构建了双轨评估体系，且 Agent 接触的外部环境也在动态变化，红杉中国开始对主流模型进行月度评测和内部汇报，并设计了基于基于项目反应理论的长青评估机制，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。题目开始上升，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。后于 2023 年开始建设 Xbench 的第一批私有题库， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，其中，其双轨测评体系强调了不再单纯执着于测评问题的难度，法律、当下的 Agent 产品迭代速率很快，