用于规避静态评估集容易出现题目泄露导致过拟合，而并非单纯追求高难度。且 Agent 接触的外部环境也在动态变化，起初作为红杉中国内部使用的工具，

① 在博客中，前往「收件箱」查看完整解读 

研究者强调了 Xbench 在评估模型技术能力上限的基础上，

02 什么是长青评估机制？

1、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，试图在人力资源、