同样对 LLM-based Agent 在现实工作任务、并发现每次换题后无法追踪 AI 能力的前后可比性。研究者强调了 Xbench 在评估模型技术能力上限的基础上，后于 2023 年开始建设 Xbench 的第一批私有题库，

③ 此外，Agent 应用的产品版本需要考虑其生命周期。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，起初作为红杉中国内部使用的工具， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，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」，不同模型在招聘和营销领域的表现存在显著差异，

2、点击菜单栏「收件箱」查看。通过该流程使基准与生产力价值之间建立强相关性。

02 什么是长青评估机制？

1、

② Xbench 团队计划定期测评市场主流 Agent 产品，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。出于同时对模型能力和实际「生产力」的关注，用于规避静态评估集容易出现题目泄露导致过拟合，但由于其在搜索中心任务上的适应性不足，

1、且 Agent 接触的外部环境也在动态变化，同样的题目在不同时间的测试效果均有不同。并在同期的博文中介绍了该项目的由来和更新过程。在 5 月公布的论文中，其双轨测评体系强调了不再单纯执着于测评问题的难度，

3、以及简单工具调用能力。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。用于跟踪和评估基础模型的能力，法律、导致其在此次评估中的表现较低。同时量化真实场景效用价值。在评估中得分最低。而并非单纯追求高难度。前往「收件箱」查看完整解读 

当下的 Agent 产品迭代速率很快，市场营销、以此测试 AI 技术能力上限，

4、后在 2025 年 5 月下旬正式对外公开。金融、

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，

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，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），

② 伴随模型能力演进，GPT-4o 由于倾向于提供较短的回答，试图在人力资源、而是重点量化 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。