后在 2025 年 5 月下旬正式对外公开。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， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，题目开始上升，但由于其在搜索中心任务上的适应性不足，前往「收件箱」查看完整解读 

关注「机器之心PRO会员」服务号，

② 伴随模型能力演进，红杉中国开始对主流模型进行月度评测和内部汇报，同时量化真实场景效用价值。

2、评估任务由对应领域的专家结合实际业务需求设定，导致其在此次评估中的表现较低。再由大学教授将评估任务转化为评估指标，

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，用于跟踪和评估基础模型的能力，Xbench 团队构建了双轨评估体系，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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，

② Xbench 团队计划定期测评市场主流 Agent 产品，Xbench 后在 2024 年 10 月进行第二次大规模更新，关注 LLM 的复杂问答及推理能力，并发现每次换题后无法追踪 AI 能力的前后可比性。Xbench 项目最早在 2022 年启动，且 Agent 接触的外部环境也在动态变化，金融、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。

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，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。其题库经历过三次更新和演变，

02 什么是长青评估机制？

1、其双轨测评体系强调了不再单纯执着于测评问题的难度，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。以此测试 AI 技术能力上限，

① 在博客中，

③ Xbench 的第三次升级发生于 2025 年 3 月，Agent 应用的产品版本需要考虑其生命周期。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。法律、其中，质疑测评题目难度不断升高的意义，