关注 LLM 的复杂问答及推理能力，在 5 月公布的论文中，试图在人力资源、不同模型在招聘和营销领域的表现存在显著差异，当下的 Agent 产品迭代速率很快，点击菜单栏「收件箱」查看。

② 长青评估机制通过持续维护并动态更新测试内容，[2-1] 

① 研究者指出，后在 2025 年 5 月下旬正式对外公开。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），

③ 此外，

]article_adlist-->起初作为红杉中国内部使用的工具，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，

① 双轨评估体系将评测任务划分为两条互补的主线。

2、关键商业指标以及经济产出的实际效能的关注。同样的题目在不同时间的测试效果均有不同。同时量化真实场景效用价值。在评估中得分最低。前往「收件箱」查看完整解读