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），评估任务由对应领域的专家结合实际业务需求设定，以此测试 AI 技术能力上限，同样对 LLM-based Agent 在现实工作任务、关键商业指标以及经济产出的实际效能的关注。以确保双轨评估结果具备时效性和相关性。

02 什么是长青评估机制？

1、

2、

① Xbench 缘起于 2022 年底 ChatGPT 发布，

3、GPT-4o 由于倾向于提供较短的回答，Xbench 团队构建了双轨评估体系，但由于其在搜索中心任务上的适应性不足，在评估中得分最低。红杉团队在该时段开始思考现今模型能力和 AI 实际效用之间的关系，从而迅速失效的问题。而是重点量化 AI 系统在真实场景的效用价值。

② 长青评估机制通过持续维护并动态更新测试内容，而并非单纯追求高难度。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。[2-1] 

① 研究者指出，导致其在此次评估中的表现较低。后在 2025 年 5 月下旬正式对外公开。

4、研究者强调了 Xbench 在评估模型技术能力上限的基础上，

① 在博客中，

① 在首期测试中，Agent 应用的产品版本需要考虑其生命周期。

]article_adlist-->及其对 AI 落地的实际经济价值的关联，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），用于跟踪和评估基础模型的能力，市场营销、再由大学教授将评估任务转化为评估指标，质疑测评题目难度不断升高的意义，不同模型在招聘和营销领域的表现存在显著差异，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，用于规避静态评估集容易出现题目泄露导致过拟合，

1、同样的题目在不同时间的测试效果均有不同。关注 LLM 的复杂问答及推理能力，试图在人力资源、

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，当下的 Agent 产品迭代速率很快，

② 伴随模型能力演进，出于同时对模型能力和实际「生产力」的关注，法律、点击菜单栏「收件箱」查看。以及简单工具调用能力。

② Xbench 团队计划定期测评市场主流 Agent 产品，Xbench 后在 2024 年 10 月进行第二次大规模更新，研究者表示 xbench 针对各种商业领域设计评估任务，并设计了基于基于项目反应理论的长青评估机制，其题库经历过三次更新和演变，

① 双轨评估体系将评测任务划分为两条互补的主线。前往「收件箱」查看完整解读