同样对 LLM-based Agent 在现实工作任务、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。前往「收件箱」查看完整解读 

③ Xbench 的第三次升级发生于 2025 年 3 月，关键商业指标以及经济产出的实际效能的关注。用于跟踪和评估基础模型的能力，评估任务由对应领域的专家结合实际业务需求设定，出于同时对模型能力和实际「生产力」的关注，用于规避静态评估集容易出现题目泄露导致过拟合，不同模型在招聘和营销领域的表现存在显著差异，

② 长青评估机制通过持续维护并动态更新测试内容，试图在人力资源、

① Xbench 缘起于 2022 年底 ChatGPT 发布，从而迅速失效的问题。

02 什么是长青评估机制？

1、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」，并在同期的博文中介绍了该项目的由来和更新过程。及其对 AI 落地的实际经济价值的关联，红杉中国开始对主流模型进行月度评测和内部汇报，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），