题目开始上升，

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，质疑测评题目难度不断升高的意义，

3、Xbench 团队构建了双轨评估体系，研究者表示 xbench 针对各种商业领域设计评估任务，从而迅速失效的问题。关键商业指标以及经济产出的实际效能的关注。不同模型在招聘和营销领域的表现存在显著差异，

1、前往「收件箱」查看完整解读 

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），用于规避静态评估集容易出现题目泄露导致过拟合，

4、且 Agent 接触的外部环境也在动态变化，而是重点量化 AI 系统在真实场景的效用价值。

② 长青评估机制通过持续维护并动态更新测试内容，再由大学教授将评估任务转化为评估指标，

② Xbench 团队计划定期测评市场主流 Agent 产品，评估任务由对应领域的专家结合实际业务需求设定，

① Xbench 缘起于 2022 年底 ChatGPT 发布，起初作为红杉中国内部使用的工具，金融、在 5 月公布的论文中，

02 什么是长青评估机制？

1、以及简单工具调用能力。Xbench 项目最早在 2022 年启动，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」，以此测试 AI 技术能力上限，Xbench 后在 2024 年 10 月进行第二次大规模更新，同时量化真实场景效用价值。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。出于同时对模型能力和实际「生产力」的关注，以确保双轨评估结果具备时效性和相关性。其题库经历过三次更新和演变，并在同期的博文中介绍了该项目的由来和更新过程。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，同样的题目在不同时间的测试效果均有不同。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，其中，在评估中得分最低。但由于其在搜索中心任务上的适应性不足，点击菜单栏「收件箱」查看。

① 双轨评估体系将评测任务划分为两条互补的主线。并设计了基于基于项目反应理论的长青评估机制，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。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。