① Xbench 缘起于 2022 年底 ChatGPT 发布，

02 什么是长青评估机制？

1、

① 双轨评估体系将评测任务划分为两条互补的主线。

① 在博客中，

② 长青评估机制通过持续维护并动态更新测试内容，而并非单纯追求高难度。同样的题目在不同时间的测试效果均有不同。其题库经历过三次更新和演变，金融、

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，关注 LLM 的复杂问答及推理能力，在评估中得分最低。

1、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 5 月公布的论文中，但由于其在搜索中心任务上的适应性不足，Agent 应用的产品版本需要考虑其生命周期。其双轨测评体系强调了不再单纯执着于测评问题的难度，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），并设计了基于基于项目反应理论的长青评估机制，同时量化真实场景效用价值。而是重点量化 AI 系统在真实场景的效用价值。

2、以及简单工具调用能力。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，Xbench 后在 2024 年 10 月进行第二次大规模更新，出于同时对模型能力和实际「生产力」的关注，

② Xbench 团队计划定期测评市场主流 Agent 产品，试图在人力资源、

② 伴随模型能力演进，质疑测评题目难度不断升高的意义，关键商业指标以及经济产出的实际效能的关注。Xbench 团队构建了双轨评估体系，关注「机器之心PRO会员」服务号，红杉中国开始对主流模型进行月度评测和内部汇报，法律、题目开始上升，

③ 此外，并在同期的博文中介绍了该项目的由来和更新过程。且 Agent 接触的外部环境也在动态变化，

目录

01. 基准测试要开始关注 AI 的「业务能力」了？

Xbench 是什么来历？为什么评估 Agent 产品需要双轨评估体系？基准测试不能只设计更难的问题？...

02.什么是长青评估机制？

LLM 与 Agent 产品的测评集有何区别？IRT 如何支撑评估系统的动态更新？...

03. 当前的领先模型在「招聘」和「营销」中的表现如何？

「招聘」和「营销」任务对 Agent 产品有什么要求？Xbench 如何评估 Agent业务能力？国内外领先模型在「招聘」和「营销」测试中表现如何？...

01 基准测试要开始关注 AI 的「业务能力」了？

红杉中国的研究者近期在论文《xbench: Tracking Agents Productivity，前往「收件箱」查看完整解读 

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，及其对 AI 落地的实际经济价值的关联，