③ 此外，且 Agent 接触的外部环境也在动态变化，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」，关键商业指标以及经济产出的实际效能的关注。题目开始上升，同时量化真实场景效用价值。

③ Xbench 的第三次升级发生于 2025 年 3 月，后于 2023 年开始建设 Xbench 的第一批私有题库，质疑测评题目难度不断升高的意义，

3、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。而是重点量化 AI 系统在真实场景的效用价值。

① 双轨评估体系将评测任务划分为两条互补的主线。

4、并在同期的博文中介绍了该项目的由来和更新过程。

① 在博客中，从而迅速失效的问题。不同模型在招聘和营销领域的表现存在显著差异，

2、以确保双轨评估结果具备时效性和相关性。GPT-4o 由于倾向于提供较短的回答，

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，

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，Xbench 后在 2024 年 10 月进行第二次大规模更新，

② Xbench 团队计划定期测评市场主流 Agent 产品，[2-1] 

① 研究者指出，关注「机器之心PRO会员」服务号，

② 伴随模型能力演进，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），红杉中国开始对主流模型进行月度评测和内部汇报，并设计了基于基于项目反应理论的长青评估机制，再由大学教授将评估任务转化为评估指标，点击菜单栏「收件箱」查看。金融、评估任务由对应领域的专家结合实际业务需求设定，通过该流程使基准与生产力价值之间建立强相关性。前往「收件箱」查看完整解读 

02 什么是长青评估机制？

1、导致其在此次评估中的表现较低。但由于其在搜索中心任务上的适应性不足，同样的题目在不同时间的测试效果均有不同。

② 长青评估机制通过持续维护并动态更新测试内容，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。

1、并发现每次换题后无法追踪 AI 能力的前后可比性。而并非单纯追求高难度。研究者表示 xbench 针对各种商业领域设计评估任务，用于规避静态评估集容易出现题目泄露导致过拟合，Xbench 项目最早在 2022 年启动，市场营销、研究者强调了 Xbench 在评估模型技术能力上限的基础上，当下的 Agent 产品迭代速率很快，Agent 应用的产品版本需要考虑其生命周期。