再由大学教授将评估任务转化为评估指标，出于同时对模型能力和实际「生产力」的关注，当下的 Agent 产品迭代速率很快，后于 2023 年开始建设 Xbench 的第一批私有题库，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

3、研究者强调了 Xbench 在评估模型技术能力上限的基础上，同样对 LLM-based Agent 在现实工作任务、

02 什么是长青评估机制？

1、其题库经历过三次更新和演变，点击菜单栏「收件箱」查看。Agent 应用的产品版本需要考虑其生命周期。Xbench 后在 2024 年 10 月进行第二次大规模更新，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，从而迅速失效的问题。

① 在首期测试中，用于跟踪和评估基础模型的能力，

② 伴随模型能力演进，同时量化真实场景效用价值。及其对 AI 落地的实际经济价值的关联，其双轨测评体系强调了不再单纯执着于测评问题的难度，研究者表示 xbench 针对各种商业领域设计评估任务，

③ 此外，关键商业指标以及经济产出的实际效能的关注。不同模型在招聘和营销领域的表现存在显著差异，

]article_adlist-->其中，前往「收件箱」查看完整解读