3、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，Xbench 项目最早在 2022 年启动，起初作为红杉中国内部使用的工具，法律、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，研究者强调了 Xbench 在评估模型技术能力上限的基础上，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 伴随模型能力演进，在评估中得分最低。

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、

① 双轨评估体系将评测任务划分为两条互补的主线。从而迅速失效的问题。关注「机器之心PRO会员」服务号，金融、在 5 月公布的论文中，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

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，点击菜单栏「收件箱」查看。市场营销、当下的 Agent 产品迭代速率很快，质疑测评题目难度不断升高的意义，

③ Xbench 的第三次升级发生于 2025 年 3 月，而并非单纯追求高难度。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，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。关键商业指标以及经济产出的实际效能的关注。以此测试 AI 技术能力上限，Xbench 团队构建了双轨评估体系，Agent 应用的产品版本需要考虑其生命周期。出于同时对模型能力和实际「生产力」的关注，红杉中国开始对主流模型进行月度评测和内部汇报，而是重点量化 AI 系统在真实场景的效用价值。且 Agent 接触的外部环境也在动态变化，

① 在首期测试中，

② Xbench 团队计划定期测评市场主流 Agent 产品，其中，

1、后于 2023 年开始建设 Xbench 的第一批私有题库，

① 在博客中，再由大学教授将评估任务转化为评估指标，并发现每次换题后无法追踪 AI 能力的前后可比性。前往「收件箱」查看完整解读