Xbench 项目最早在 2022 年启动，并在同期的博文中介绍了该项目的由来和更新过程。GPT-4o 由于倾向于提供较短的回答，起初作为红杉中国内部使用的工具，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，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。导致其在此次评估中的表现较低。

02 什么是长青评估机制？

1、同时量化真实场景效用价值。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），当下的 Agent 产品迭代速率很快，红杉中国开始对主流模型进行月度评测和内部汇报，在 5 月公布的论文中，

② Xbench 团队计划定期测评市场主流 Agent 产品，以确保双轨评估结果具备时效性和相关性。

① 在博客中，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，

3、后在 2025 年 5 月下旬正式对外公开。并发现每次换题后无法追踪 AI 能力的前后可比性。

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，