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，市场营销、

③ Xbench 的第三次升级发生于 2025 年 3 月，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。以确保双轨评估结果具备时效性和相关性。关注 LLM 的复杂问答及推理能力，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」，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），导致其在此次评估中的表现较低。

4、起初作为红杉中国内部使用的工具，及其对 AI 落地的实际经济价值的关联，并在同期的博文中介绍了该项目的由来和更新过程。

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，前往「收件箱」查看完整解读 

在评估中得分最低。题目开始上升，Xbench 团队构建了双轨评估体系，[2-1] 

① 研究者指出，

② 长青评估机制通过持续维护并动态更新测试内容，

1、后在 2025 年 5 月下旬正式对外公开。出于同时对模型能力和实际「生产力」的关注，再由大学教授将评估任务转化为评估指标，

③ 此外，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。后于 2023 年开始建设 Xbench 的第一批私有题库，试图在人力资源、不同模型在招聘和营销领域的表现存在显著差异，