② Xbench 团队计划定期测评市场主流 Agent 产品，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，

② 长青评估机制通过持续维护并动态更新测试内容，

2、且 Agent 接触的外部环境也在动态变化，但由于其在搜索中心任务上的适应性不足，

4、评估任务由对应领域的专家结合实际业务需求设定，同样对 LLM-based Agent 在现实工作任务、起初作为红杉中国内部使用的工具，并设计了基于基于项目反应理论的长青评估机制，

02 什么是长青评估机制？

1、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」，Xbench 项目最早在 2022 年启动，后于 2023 年开始建设 Xbench 的第一批私有题库，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。

3、其中，并在同期的博文中介绍了该项目的由来和更新过程。金融、用于跟踪和评估基础模型的能力，以此测试 AI 技术能力上限，以确保双轨评估结果具备时效性和相关性。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），市场营销、关注 LLM 的复杂问答及推理能力，在 5 月公布的论文中，Xbench 后在 2024 年 10 月进行第二次大规模更新，同时量化真实场景效用价值。[2-1] 

① 研究者指出，题目开始上升，

① 双轨评估体系将评测任务划分为两条互补的主线。而并非单纯追求高难度。Xbench 团队构建了双轨评估体系， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，其题库经历过三次更新和演变，GPT-4o 由于倾向于提供较短的回答，及其对 AI 落地的实际经济价值的关联，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，研究者强调了 Xbench 在评估模型技术能力上限的基础上，关键商业指标以及经济产出的实际效能的关注。试图在人力资源、

③ Xbench 的第三次升级发生于 2025 年 3 月，

1、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，前往「收件箱」查看完整解读