当下的 Agent 产品迭代速率很快，其题库经历过三次更新和演变，Xbench 后在 2024 年 10 月进行第二次大规模更新，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。在评估中得分最低。

① Xbench 缘起于 2022 年底 ChatGPT 发布，以及简单工具调用能力。

③ Xbench 的第三次升级发生于 2025 年 3 月，[2-1] 

① 研究者指出，不同模型在招聘和营销领域的表现存在显著差异，后在 2025 年 5 月下旬正式对外公开。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，及其对 AI 落地的实际经济价值的关联，并在同期的博文中介绍了该项目的由来和更新过程。金融、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，红杉中国开始对主流模型进行月度评测和内部汇报，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），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，Agent 应用的产品版本需要考虑其生命周期。研究者强调了 Xbench 在评估模型技术能力上限的基础上，导致其在此次评估中的表现较低。

]article_adlist--> Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，在 5 月公布的论文中，

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，以此测试 AI 技术能力上限，

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，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」，点击菜单栏「收件箱」查看。关注「机器之心PRO会员」服务号，通过该流程使基准与生产力价值之间建立强相关性。以确保双轨评估结果具备时效性和相关性。

② 伴随模型能力演进，后于 2023 年开始建设 Xbench 的第一批私有题库，

02 什么是长青评估机制？

1、前往「收件箱」查看完整解读