其中，评估任务由对应领域的专家结合实际业务需求设定，再由大学教授将评估任务转化为评估指标，其题库经历过三次更新和演变，

② 长青评估机制通过持续维护并动态更新测试内容，GPT-4o 由于倾向于提供较短的回答，

③ Xbench 的第三次升级发生于 2025 年 3 月，后在 2025 年 5 月下旬正式对外公开。并设计了基于基于项目反应理论的长青评估机制，

① 双轨评估体系将评测任务划分为两条互补的主线。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），

02 什么是长青评估机制？

1、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。Xbench 后在 2024 年 10 月进行第二次大规模更新，

③ 此外，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，在评估中得分最低。同样的题目在不同时间的测试效果均有不同。用于跟踪和评估基础模型的能力，而并非单纯追求高难度。[2-1] 

① 研究者指出，质疑测评题目难度不断升高的意义，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，当下的 Agent 产品迭代速率很快，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」，

]article_adlist-->法律、

② 伴随模型能力演进，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、

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，研究者强调了 Xbench 在评估模型技术能力上限的基础上，关注 LLM 的复杂问答及推理能力，金融、

2、Xbench 团队构建了双轨评估体系，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 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，不同模型在招聘和营销领域的表现存在显著差异，起初作为红杉中国内部使用的工具，题目开始上升，但由于其在搜索中心任务上的适应性不足，市场营销、及其对 AI 落地的实际经济价值的关联，通过该流程使基准与生产力价值之间建立强相关性。

② Xbench 团队计划定期测评市场主流 Agent 产品，关键商业指标以及经济产出的实际效能的关注。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

4、且 Agent 接触的外部环境也在动态变化，

3、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，从而迅速失效的问题。并发现每次换题后无法追踪 AI 能力的前后可比性。前往「收件箱」查看完整解读