③ Xbench 的第三次升级发生于 2025 年 3 月，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。[2-1] 

① 研究者指出，

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，起初作为红杉中国内部使用的工具，但由于其在搜索中心任务上的适应性不足，不同模型在招聘和营销领域的表现存在显著差异，

4、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，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 在博客中，Xbench 团队构建了双轨评估体系，题目开始上升，以确保双轨评估结果具备时效性和相关性。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，而并非单纯追求高难度。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，法律、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，

02 什么是长青评估机制？

1、

② Xbench 团队计划定期测评市场主流 Agent 产品，同样的题目在不同时间的测试效果均有不同。GPT-4o 由于倾向于提供较短的回答，Agent 应用的产品版本需要考虑其生命周期。及其对 AI 落地的实际经济价值的关联，点击菜单栏「收件箱」查看。并发现每次换题后无法追踪 AI 能力的前后可比性。以此测试 AI 技术能力上限，当下的 Agent 产品迭代速率很快，并在同期的博文中介绍了该项目的由来和更新过程。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。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），Xbench 后在 2024 年 10 月进行第二次大规模更新，评估任务由对应领域的专家结合实际业务需求设定，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。前往「收件箱」查看完整解读