出于同时对模型能力和实际「生产力」的关注，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），而并非单纯追求高难度。用于跟踪和评估基础模型的能力，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），并设计了基于基于项目反应理论的长青评估机制，以此测试 AI 技术能力上限，关注 LLM 的复杂问答及推理能力，后于 2023 年开始建设 Xbench 的第一批私有题库，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

② 长青评估机制通过持续维护并动态更新测试内容，当下的 Agent 产品迭代速率很快，评估任务由对应领域的专家结合实际业务需求设定，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

4、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。并发现每次换题后无法追踪 AI 能力的前后可比性。试图在人力资源、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。在评估中得分最低。

3、

③ Xbench 的第三次升级发生于 2025 年 3 月，法律、从而迅速失效的问题。Agent 应用的产品版本需要考虑其生命周期。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，

1、导致其在此次评估中的表现较低。研究者表示 xbench 针对各种商业领域设计评估任务，

② 评估还发现模型的尺寸并非影响其任务表现的决定性因素，

目录

01. 基准测试要开始关注 AI 的「业务能力」了？

Xbench 是什么来历？为什么评估 Agent 产品需要双轨评估体系？基准测试不能只设计更难的问题？...

02.什么是长青评估机制？

LLM 与 Agent 产品的测评集有何区别？IRT 如何支撑评估系统的动态更新？...

03. 当前的领先模型在「招聘」和「营销」中的表现如何？

「招聘」和「营销」任务对 Agent 产品有什么要求？Xbench 如何评估 Agent业务能力？国内外领先模型在「招聘」和「营销」测试中表现如何？...

01 基准测试要开始关注 AI 的「业务能力」了？

红杉中国的研究者近期在论文《xbench: Tracking Agents Productivity，其双轨测评体系强调了不再单纯执着于测评问题的难度，前往「收件箱」查看完整解读 

起初作为红杉中国内部使用的工具，