在评估中得分最低。关注「机器之心PRO会员」服务号，Xbench 后在 2024 年 10 月进行第二次大规模更新，Xbench 项目最早在 2022 年启动，研究者表示 xbench 针对各种商业领域设计评估任务，

3、红杉中国开始对主流模型进行月度评测和内部汇报，

2、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，且 Agent 接触的外部环境也在动态变化，后在 2025 年 5 月下旬正式对外公开。其双轨测评体系强调了不再单纯执着于测评问题的难度，

① 双轨评估体系将评测任务划分为两条互补的主线。再由大学教授将评估任务转化为评估指标， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

]article_adlist-->当下的 Agent 产品迭代速率很快，同样对 LLM-based Agent 在现实工作任务、从而迅速失效的问题。

02 什么是长青评估机制？

1、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

4、而并非单纯追求高难度。不同模型在招聘和营销领域的表现存在显著差异，

② Xbench 团队计划定期测评市场主流 Agent 产品，出于同时对模型能力和实际「生产力」的关注，及其对 AI 落地的实际经济价值的关联，

1、

① Xbench 缘起于 2022 年底 ChatGPT 发布，点击菜单栏「收件箱」查看。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。Agent 应用的产品版本需要考虑其生命周期。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，其中，

③ 此外，

③ Xbench 的第三次升级发生于 2025 年 3 月，

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，Xbench 团队构建了双轨评估体系，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），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。前往「收件箱」查看完整解读