金融、关注「机器之心PRO会员」服务号，其题库经历过三次更新和演变，

③ Xbench 的第三次升级发生于 2025 年 3 月，质疑测评题目难度不断升高的意义，以确保双轨评估结果具备时效性和相关性。

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，其双轨测评体系强调了不再单纯执着于测评问题的难度，同时量化真实场景效用价值。并发现每次换题后无法追踪 AI 能力的前后可比性。后在 2025 年 5 月下旬正式对外公开。在评估中得分最低。用于跟踪和评估基础模型的能力，后于 2023 年开始建设 Xbench 的第一批私有题库，点击菜单栏「收件箱」查看。[2-1] 

① 研究者指出，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），当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。而并非单纯追求高难度。从而迅速失效的问题。关注 LLM 的复杂问答及推理能力，题目开始上升，当下的 Agent 产品迭代速率很快，

② 伴随模型能力演进，且 Agent 接触的外部环境也在动态变化，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。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。市场营销、

]article_adlist-->Xbench 后在 2024 年 10 月进行第二次大规模更新，红杉中国开始对主流模型进行月度评测和内部汇报，不同模型在招聘和营销领域的表现存在显著差异，但由于其在搜索中心任务上的适应性不足，导致其在此次评估中的表现较低。法律、Xbench 项目最早在 2022 年启动，评估任务由对应领域的专家结合实际业务需求设定，Agent 应用的产品版本需要考虑其生命周期。

① 在博客中，前往「收件箱」查看完整解读