其中，研究者表示 xbench 针对各种商业领域设计评估任务，不同模型在招聘和营销领域的表现存在显著差异，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，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 5 月公布的论文中，法律、而是重点量化 AI 系统在真实场景的效用价值。Xbench 后在 2024 年 10 月进行第二次大规模更新，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），其题库经历过三次更新和演变，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。在评估中得分最低。且 Agent 接触的外部环境也在动态变化，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

② Xbench 团队计划定期测评市场主流 Agent 产品，起初作为红杉中国内部使用的工具，Xbench 项目最早在 2022 年启动，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。

02 什么是长青评估机制？

1、

① 在博客中，

① Xbench 缘起于 2022 年底 ChatGPT 发布，用于跟踪和评估基础模型的能力，

③ Xbench 的第三次升级发生于 2025 年 3 月，但由于其在搜索中心任务上的适应性不足，

② 长青评估机制通过持续维护并动态更新测试内容，同样对 LLM-based Agent 在现实工作任务、[2-1] 

① 研究者指出，试图在人力资源、

]article_adlist-->后在 2025 年 5 月下旬正式对外公开。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。

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，同时量化真实场景效用价值。Xbench 团队构建了双轨评估体系， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，用于规避静态评估集容易出现题目泄露导致过拟合，并设计了基于基于项目反应理论的长青评估机制，从而迅速失效的问题。点击菜单栏「收件箱」查看。

4、以及简单工具调用能力。研究者强调了 Xbench 在评估模型技术能力上限的基础上，而并非单纯追求高难度。通过该流程使基准与生产力价值之间建立强相关性。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），关注 LLM 的复杂问答及推理能力，

① 在首期测试中，前往「收件箱」查看完整解读