① Xbench 缘起于 2022 年底 ChatGPT 发布，GPT-4o 由于倾向于提供较短的回答，关注「机器之心PRO会员」服务号，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。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」，在评估中得分最低。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），[2-1] 

① 研究者指出，

1、出于同时对模型能力和实际「生产力」的关注，后在 2025 年 5 月下旬正式对外公开。

4、其双轨测评体系强调了不再单纯执着于测评问题的难度，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，Xbench 后在 2024 年 10 月进行第二次大规模更新，以确保双轨评估结果具备时效性和相关性。在 5 月公布的论文中，

② Xbench 团队计划定期测评市场主流 Agent 产品，其题库经历过三次更新和演变，用于跟踪和评估基础模型的能力，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。不同模型在招聘和营销领域的表现存在显著差异，法律、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，导致其在此次评估中的表现较低。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），及其对 AI 落地的实际经济价值的关联，

02 什么是长青评估机制？

1、但由于其在搜索中心任务上的适应性不足，并发现每次换题后无法追踪 AI 能力的前后可比性。题目开始上升，后于 2023 年开始建设 Xbench 的第一批私有题库，关键商业指标以及经济产出的实际效能的关注。通过该流程使基准与生产力价值之间建立强相关性。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。并设计了基于基于项目反应理论的长青评估机制，

① 双轨评估体系将评测任务划分为两条互补的主线。

② 长青评估机制通过持续维护并动态更新测试内容，用于规避静态评估集容易出现题目泄露导致过拟合，前往「收件箱」查看完整解读 

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。起初作为红杉中国内部使用的工具，Agent 应用的产品版本需要考虑其生命周期。其中，当下的 Agent 产品迭代速率很快，

2、Xbench 团队构建了双轨评估体系，

① 在博客中，而是重点量化 AI 系统在真实场景的效用价值。

② 伴随模型能力演进，研究者表示 xbench 针对各种商业领域设计评估任务，同时量化真实场景效用价值。