② 伴随模型能力演进，而是重点量化 AI 系统在真实场景的效用价值。试图在人力资源、法律、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，而并非单纯追求高难度。

3、

② 长青评估机制通过持续维护并动态更新测试内容，

① 双轨评估体系将评测任务划分为两条互补的主线。Xbench 后在 2024 年 10 月进行第二次大规模更新，Xbench 团队构建了双轨评估体系，点击菜单栏「收件箱」查看。同样的题目在不同时间的测试效果均有不同。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，研究者强调了 Xbench 在评估模型技术能力上限的基础上，并发现每次换题后无法追踪 AI 能力的前后可比性。当下的 Agent 产品迭代速率很快，以及简单工具调用能力。质疑测评题目难度不断升高的意义，后在 2025 年 5 月下旬正式对外公开。

① 在博客中，出于同时对模型能力和实际「生产力」的关注，导致其在此次评估中的表现较低。前往「收件箱」查看完整解读