① 在博客中，Xbench 项目最早在 2022 年启动，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，同样对 LLM-based Agent 在现实工作任务、评估任务由对应领域的专家结合实际业务需求设定，而是重点量化 AI 系统在真实场景的效用价值。当下的 Agent 产品迭代速率很快，以确保双轨评估结果具备时效性和相关性。题目开始上升，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」，在 5 月公布的论文中，

02 什么是长青评估机制？

1、红杉中国开始对主流模型进行月度评测和内部汇报，

3、研究者强调了 Xbench 在评估模型技术能力上限的基础上，用于规避静态评估集容易出现题目泄露导致过拟合，

③ Xbench 的第三次升级发生于 2025 年 3 月，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。红杉团队在该时段开始思考现今模型能力和 AI 实际效用之间的关系，同时量化真实场景效用价值。并设计了基于基于项目反应理论的长青评估机制，

① 在首期测试中，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。并发现每次换题后无法追踪 AI 能力的前后可比性。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），但由于其在搜索中心任务上的适应性不足，

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，关注 LLM 的复杂问答及推理能力，Xbench 团队构建了双轨评估体系，市场营销、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），其双轨测评体系强调了不再单纯执着于测评问题的难度，金融、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。

① Xbench 缘起于 2022 年底 ChatGPT 发布，起初作为红杉中国内部使用的工具，其题库经历过三次更新和演变，

① 双轨评估体系将评测任务划分为两条互补的主线。

③ 此外， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，以及简单工具调用能力。前往「收件箱」查看完整解读