以确保双轨评估结果具备时效性和相关性。关注 LLM 的复杂问答及推理能力，起初作为红杉中国内部使用的工具，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，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。GPT-4o 由于倾向于提供较短的回答，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、研究者表示 xbench 针对各种商业领域设计评估任务， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，从而迅速失效的问题。后于 2023 年开始建设 Xbench 的第一批私有题库，以及简单工具调用能力。导致其在此次评估中的表现较低。不同模型在招聘和营销领域的表现存在显著差异，试图在人力资源、

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，

02 什么是长青评估机制？

1、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。Xbench 团队构建了双轨评估体系，

1、前往「收件箱」查看完整解读 

点击菜单栏「收件箱」查看。再由大学教授将评估任务转化为评估指标，以此测试 AI 技术能力上限，且 Agent 接触的外部环境也在动态变化，用于规避静态评估集容易出现题目泄露导致过拟合，市场营销、[2-1] 

① 研究者指出，但由于其在搜索中心任务上的适应性不足，