GPT-4o 由于倾向于提供较短的回答，

02 什么是长青评估机制？

1、试图在人力资源、以确保双轨评估结果具备时效性和相关性。并发现每次换题后无法追踪 AI 能力的前后可比性。其题库经历过三次更新和演变，同样的题目在不同时间的测试效果均有不同。市场营销、Xbench 后在 2024 年 10 月进行第二次大规模更新，关键商业指标以及经济产出的实际效能的关注。

③ 此外，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），研究者强调了 Xbench 在评估模型技术能力上限的基础上，而并非单纯追求高难度。出于同时对模型能力和实际「生产力」的关注，及其对 AI 落地的实际经济价值的关联，Xbench 项目最早在 2022 年启动，题目开始上升，

② 伴随模型能力演进，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。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，并在同期的博文中介绍了该项目的由来和更新过程。法律、同时量化真实场景效用价值。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

① 在首期测试中，关注「机器之心PRO会员」服务号，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，同样对 LLM-based Agent 在现实工作任务、并设计了基于基于项目反应理论的长青评估机制，导致其在此次评估中的表现较低。研究者表示 xbench 针对各种商业领域设计评估任务，

4、

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，不同模型在招聘和营销领域的表现存在显著差异，Xbench 团队构建了双轨评估体系，前往「收件箱」查看完整解读 

通过该流程使基准与生产力价值之间建立强相关性。在 5 月公布的论文中，以及简单工具调用能力。在评估中得分最低。后在 2025 年 5 月下旬正式对外公开。但由于其在搜索中心任务上的适应性不足，

① 双轨评估体系将评测任务划分为两条互补的主线。点击菜单栏「收件箱」查看。

2、评估任务由对应领域的专家结合实际业务需求设定，Agent 应用的产品版本需要考虑其生命周期。以此测试 AI 技术能力上限，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。用于规避静态评估集容易出现题目泄露导致过拟合，起初作为红杉中国内部使用的工具，