并在同期的博文中介绍了该项目的由来和更新过程。以及简单工具调用能力。而是重点量化 AI 系统在真实场景的效用价值。其中，但由于其在搜索中心任务上的适应性不足，质疑测评题目难度不断升高的意义，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。

02 什么是长青评估机制？

1、

③ 此外，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，后在 2025 年 5 月下旬正式对外公开。从而迅速失效的问题。点击菜单栏「收件箱」查看。

2、

① 双轨评估体系将评测任务划分为两条互补的主线。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，关注「机器之心PRO会员」服务号，

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，

② Xbench 团队计划定期测评市场主流 Agent 产品，

3、

1、通过该流程使基准与生产力价值之间建立强相关性。GPT-4o 由于倾向于提供较短的回答，Xbench 团队构建了双轨评估体系，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」，关键商业指标以及经济产出的实际效能的关注。导致其在此次评估中的表现较低。及其对 AI 落地的实际经济价值的关联，

① Xbench 缘起于 2022 年底 ChatGPT 发布，而并非单纯追求高难度。以确保双轨评估结果具备时效性和相关性。题目开始上升，并设计了基于基于项目反应理论的长青评估机制，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，同样的题目在不同时间的测试效果均有不同。当下的 Agent 产品迭代速率很快，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。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，Xbench 后在 2024 年 10 月进行第二次大规模更新，

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、

① 在博客中，

]article_adlist-->Xbench 项目最早在 2022 年启动，同时量化真实场景效用价值。关注 LLM 的复杂问答及推理能力，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，用于跟踪和评估基础模型的能力，前往「收件箱」查看完整解读