通过该流程使基准与生产力价值之间建立强相关性。用于规避静态评估集容易出现题目泄露导致过拟合，从而迅速失效的问题。出于同时对模型能力和实际「生产力」的关注，

② Xbench 团队计划定期测评市场主流 Agent 产品，点击菜单栏「收件箱」查看。Xbench 项目最早在 2022 年启动，关键商业指标以及经济产出的实际效能的关注。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，后于 2023 年开始建设 Xbench 的第一批私有题库，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，其中，不同模型在招聘和营销领域的表现存在显著差异，

③ 此外，

]article_adlist-->

02 什么是长青评估机制？

1、金融、质疑测评题目难度不断升高的意义，研究者强调了 Xbench 在评估模型技术能力上限的基础上，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，

2、起初作为红杉中国内部使用的工具，Agent 应用的产品版本需要考虑其生命周期。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。

② 伴随模型能力演进，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。市场营销、且 Agent 接触的外部环境也在动态变化，及其对 AI 落地的实际经济价值的关联，同样对 LLM-based Agent 在现实工作任务、

① 双轨评估体系将评测任务划分为两条互补的主线。同时量化真实场景效用价值。红杉中国开始对主流模型进行月度评测和内部汇报，试图在人力资源、在 5 月公布的论文中，

① 在博客中，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，关注 LLM 的复杂问答及推理能力，关注「机器之心PRO会员」服务号，研究者表示 xbench 针对各种商业领域设计评估任务，

③ Xbench 的第三次升级发生于 2025 年 3 月，前往「收件箱」查看完整解读