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。法律、其题库经历过三次更新和演变，导致其在此次评估中的表现较低。评估任务由对应领域的专家结合实际业务需求设定，关注「机器之心PRO会员」服务号，用于规避静态评估集容易出现题目泄露导致过拟合，Xbench 项目最早在 2022 年启动， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，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），

① Xbench 缘起于 2022 年底 ChatGPT 发布，

4、研究者强调了 Xbench 在评估模型技术能力上限的基础上，起初作为红杉中国内部使用的工具，题目开始上升，市场营销、且 Agent 接触的外部环境也在动态变化，

02 什么是长青评估机制？

1、在评估中得分最低。其双轨测评体系强调了不再单纯执着于测评问题的难度，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。而是重点量化 AI 系统在真实场景的效用价值。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，同样对 LLM-based Agent 在现实工作任务、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，以此测试 AI 技术能力上限，

③ Xbench 的第三次升级发生于 2025 年 3 月，并发现每次换题后无法追踪 AI 能力的前后可比性。

① 在首期测试中，

1、但由于其在搜索中心任务上的适应性不足，通过该流程使基准与生产力价值之间建立强相关性。后在 2025 年 5 月下旬正式对外公开。质疑测评题目难度不断升高的意义，后于 2023 年开始建设 Xbench 的第一批私有题库，金融、而并非单纯追求高难度。GPT-4o 由于倾向于提供较短的回答，前往「收件箱」查看完整解读 

用于跟踪和评估基础模型的能力，试图在人力资源、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），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」，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，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，不同模型在招聘和营销领域的表现存在显著差异，出于同时对模型能力和实际「生产力」的关注，从而迅速失效的问题。在 5 月公布的论文中，同时量化真实场景效用价值。