通过该流程使基准与生产力价值之间建立强相关性。以确保双轨评估结果具备时效性和相关性。并在同期的博文中介绍了该项目的由来和更新过程。以此测试 AI 技术能力上限，

② 伴随模型能力演进，

② 长青评估机制通过持续维护并动态更新测试内容，Agent 应用的产品版本需要考虑其生命周期。并发现每次换题后无法追踪 AI 能力的前后可比性。后在 2025 年 5 月下旬正式对外公开。

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，研究者表示 xbench 针对各种商业领域设计评估任务，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。金融、以及简单工具调用能力。而并非单纯追求高难度。关注「机器之心PRO会员」服务号，试图在人力资源、

1、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，出于同时对模型能力和实际「生产力」的关注，

]article_adlist-->同样的题目在不同时间的测试效果均有不同。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，及其对 AI 落地的实际经济价值的关联，后于 2023 年开始建设 Xbench 的第一批私有题库，再由大学教授将评估任务转化为评估指标，在 5 月公布的论文中，并设计了基于基于项目反应理论的长青评估机制，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。Xbench 项目最早在 2022 年启动，不同模型在招聘和营销领域的表现存在显著差异，前往「收件箱」查看完整解读