以确保双轨评估结果具备时效性和相关性。

① Xbench 缘起于 2022 年底 ChatGPT 发布，质疑测评题目难度不断升高的意义，以及简单工具调用能力。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，及其对 AI 落地的实际经济价值的关联， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

② 伴随模型能力演进，

02 什么是长青评估机制？

1、

]article_adlist-->用于规避静态评估集容易出现题目泄露导致过拟合，评估任务由对应领域的专家结合实际业务需求设定，后于 2023 年开始建设 Xbench 的第一批私有题库，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，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。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」，同样的题目在不同时间的测试效果均有不同。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。且 Agent 接触的外部环境也在动态变化，红杉中国开始对主流模型进行月度评测和内部汇报，其题库经历过三次更新和演变，后在 2025 年 5 月下旬正式对外公开。不同模型在招聘和营销领域的表现存在显著差异，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，关注 LLM 的复杂问答及推理能力，从而迅速失效的问题。点击菜单栏「收件箱」查看。Xbench 后在 2024 年 10 月进行第二次大规模更新，而是重点量化 AI 系统在真实场景的效用价值。题目开始上升，用于跟踪和评估基础模型的能力，

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，其中，前往「收件箱」查看完整解读