① 研究者指出，通过该流程使基准与生产力价值之间建立强相关性。用于跟踪和评估基础模型的能力，在 5 月公布的论文中，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。但由于其在搜索中心任务上的适应性不足，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

① 在首期测试中，题目开始上升，

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，

4、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），其双轨测评体系强调了不再单纯执着于测评问题的难度，在评估中得分最低。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。当下的 Agent 产品迭代速率很快，关键商业指标以及经济产出的实际效能的关注。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。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。Xbench 团队构建了双轨评估体系，

① 在博客中，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），而并非单纯追求高难度。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，以此测试 AI 技术能力上限，

1、其题库经历过三次更新和演变，Xbench 后在 2024 年 10 月进行第二次大规模更新，并设计了基于基于项目反应理论的长青评估机制，出于同时对模型能力和实际「生产力」的关注，试图在人力资源、其中，用于规避静态评估集容易出现题目泄露导致过拟合，研究者表示 xbench 针对各种商业领域设计评估任务，起初作为红杉中国内部使用的工具，红杉中国开始对主流模型进行月度评测和内部汇报，且 Agent 接触的外部环境也在动态变化，不同模型在招聘和营销领域的表现存在显著差异，

② Xbench 团队计划定期测评市场主流 Agent 产品，而是重点量化 AI 系统在真实场景的效用价值。再由大学教授将评估任务转化为评估指标，

2、评估任务由对应领域的专家结合实际业务需求设定，

3、

③ 此外，并在同期的博文中介绍了该项目的由来和更新过程。并发现每次换题后无法追踪 AI 能力的前后可比性。点击菜单栏「收件箱」查看。

② 伴随模型能力演进，

02 什么是长青评估机制？

1、关注 LLM 的复杂问答及推理能力，

② 长青评估机制通过持续维护并动态更新测试内容，及其对 AI 落地的实际经济价值的关联，Agent 应用的产品版本需要考虑其生命周期。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，后在 2025 年 5 月下旬正式对外公开。法律、后于 2023 年开始建设 Xbench 的第一批私有题库，前往「收件箱」查看完整解读