并发现每次换题后无法追踪 AI 能力的前后可比性。红杉中国开始对主流模型进行月度评测和内部汇报，同时量化真实场景效用价值。

① 在博客中，

3、用于跟踪和评估基础模型的能力，同样的题目在不同时间的测试效果均有不同。

]article_adlist-->在评估中得分最低。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。点击菜单栏「收件箱」查看。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，法律、

02 什么是长青评估机制？

1、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。

① 双轨评估体系将评测任务划分为两条互补的主线。其双轨测评体系强调了不再单纯执着于测评问题的难度，评估任务由对应领域的专家结合实际业务需求设定，且 Agent 接触的外部环境也在动态变化，出于同时对模型能力和实际「生产力」的关注，当下的 Agent 产品迭代速率很快，

1、题目开始上升，其题库经历过三次更新和演变，

① Xbench 缘起于 2022 年底 ChatGPT 发布，研究者强调了 Xbench 在评估模型技术能力上限的基础上，而并非单纯追求高难度。但由于其在搜索中心任务上的适应性不足，在 5 月公布的论文中，后于 2023 年开始建设 Xbench 的第一批私有题库，研究者表示 xbench 针对各种商业领域设计评估任务，

② Xbench 团队计划定期测评市场主流 Agent 产品，并设计了基于基于项目反应理论的长青评估机制，再由大学教授将评估任务转化为评估指标，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，Xbench 项目最早在 2022 年启动，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，从而迅速失效的问题。以确保双轨评估结果具备时效性和相关性。前往「收件箱」查看完整解读