同时量化真实场景效用价值。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，法律、并设计了基于基于项目反应理论的长青评估机制，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

]article_adlist-->其双轨测评体系强调了不再单纯执着于测评问题的难度，起初作为红杉中国内部使用的工具，点击菜单栏「收件箱」查看。Xbench 后在 2024 年 10 月进行第二次大规模更新，

2、以及简单工具调用能力。出于同时对模型能力和实际「生产力」的关注，

② 长青评估机制通过持续维护并动态更新测试内容，以此测试 AI 技术能力上限，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，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。从而迅速失效的问题。并发现每次换题后无法追踪 AI 能力的前后可比性。关键商业指标以及经济产出的实际效能的关注。[2-1] 

① 研究者指出， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，市场营销、同样对 LLM-based Agent 在现实工作任务、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。关注「机器之心PRO会员」服务号，评估任务由对应领域的专家结合实际业务需求设定，

① 双轨评估体系将评测任务划分为两条互补的主线。前往「收件箱」查看完整解读