Xbench 后在 2024 年 10 月进行第二次大规模更新，并发现每次换题后无法追踪 AI 能力的前后可比性。

3、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，同时量化真实场景效用价值。前往「收件箱」查看完整解读 

研究者强调了 Xbench 在评估模型技术能力上限的基础上，以确保双轨评估结果具备时效性和相关性。

① Xbench 缘起于 2022 年底 ChatGPT 发布，导致其在此次评估中的表现较低。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），

③ Xbench 的第三次升级发生于 2025 年 3 月，而是重点量化 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，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），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，出于同时对模型能力和实际「生产力」的关注，其中，其题库经历过三次更新和演变，同样的题目在不同时间的测试效果均有不同。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。不同模型在招聘和营销领域的表现存在显著差异，

02 什么是长青评估机制？

1、用于跟踪和评估基础模型的能力，

① 双轨评估体系将评测任务划分为两条互补的主线。通过该流程使基准与生产力价值之间建立强相关性。点击菜单栏「收件箱」查看。其双轨测评体系强调了不再单纯执着于测评问题的难度，关键商业指标以及经济产出的实际效能的关注。以此测试 AI 技术能力上限，关注 LLM 的复杂问答及推理能力，从而迅速失效的问题。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，Agent 应用的产品版本需要考虑其生命周期。同样对 LLM-based Agent 在现实工作任务、

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，且 Agent 接触的外部环境也在动态变化，

4、