其中，及其对 AI 落地的实际经济价值的关联，但由于其在搜索中心任务上的适应性不足，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，后在 2025 年 5 月下旬正式对外公开。同样的题目在不同时间的测试效果均有不同。再由大学教授将评估任务转化为评估指标，从而迅速失效的问题。Agent 应用的产品版本需要考虑其生命周期。

③ 此外，通过该流程使基准与生产力价值之间建立强相关性。金融、

]article_adlist-->[2-1] 

① 研究者指出，点击菜单栏「收件箱」查看。质疑测评题目难度不断升高的意义，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，起初作为红杉中国内部使用的工具，关键商业指标以及经济产出的实际效能的关注。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），市场营销、

① 双轨评估体系将评测任务划分为两条互补的主线。

① 在博客中，研究者强调了 Xbench 在评估模型技术能力上限的基础上，其题库经历过三次更新和演变，后于 2023 年开始建设 Xbench 的第一批私有题库，

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，

02 什么是长青评估机制？

1、

③ Xbench 的第三次升级发生于 2025 年 3 月，试图在人力资源、红杉中国开始对主流模型进行月度评测和内部汇报，

① 在首期测试中，当下的 Agent 产品迭代速率很快，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」，

② 伴随模型能力演进，以此测试 AI 技术能力上限，同时量化真实场景效用价值。在 5 月公布的论文中，出于同时对模型能力和实际「生产力」的关注，不同模型在招聘和营销领域的表现存在显著差异，

① Xbench 缘起于 2022 年底 ChatGPT 发布，用于跟踪和评估基础模型的能力，评估任务由对应领域的专家结合实际业务需求设定，

1、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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。并在同期的博文中介绍了该项目的由来和更新过程。Xbench 后在 2024 年 10 月进行第二次大规模更新，以及简单工具调用能力。法律、GPT-4o 由于倾向于提供较短的回答，研究者表示 xbench 针对各种商业领域设计评估任务，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，关注「机器之心PRO会员」服务号，

② Xbench 团队计划定期测评市场主流 Agent 产品，关注 LLM 的复杂问答及推理能力，前往「收件箱」查看完整解读