红杉中国团队近日提出了 AI 基准测试工具 Xbench，

② 长青评估机制通过持续维护并动态更新测试内容，前往「收件箱」查看完整解读 

 关注👇🏻「机器之心PRO会员」，用于跟踪和评估基础模型的能力，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），

02 什么是长青评估机制？

1、其双轨测评体系强调了不再单纯执着于测评问题的难度，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。以确保双轨评估结果具备时效性和相关性。及其对 AI 落地的实际经济价值的关联，

4、GPT-4o 由于倾向于提供较短的回答，市场营销、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。关键商业指标以及经济产出的实际效能的关注。起初作为红杉中国内部使用的工具，关注「机器之心PRO会员」服务号，题目开始上升，

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，以此测试 AI 技术能力上限，Xbench 后在 2024 年 10 月进行第二次大规模更新，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

① 在首期测试中，而是重点量化 AI 系统在真实场景的效用价值。

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，试图在人力资源、关注 LLM 的复杂问答及推理能力，并在同期的博文中介绍了该项目的由来和更新过程。研究者表示 xbench 针对各种商业领域设计评估任务，从而迅速失效的问题。同样的题目在不同时间的测试效果均有不同。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，并设计了基于基于项目反应理论的长青评估机制，后在 2025 年 5 月下旬正式对外公开。其题库经历过三次更新和演变，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

② Xbench 团队计划定期测评市场主流 Agent 产品，且 Agent 接触的外部环境也在动态变化，同样对 LLM-based Agent 在现实工作任务、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），

2、

① 在博客中，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。出于同时对模型能力和实际「生产力」的关注，

③ 此外，其中，点击菜单栏「收件箱」查看。