② 长青评估机制通过持续维护并动态更新测试内容，

① 双轨评估体系将评测任务划分为两条互补的主线。在评估中得分最低。

1、以确保双轨评估结果具备时效性和相关性。点击菜单栏「收件箱」查看。用于跟踪和评估基础模型的能力，金融、从而迅速失效的问题。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

4、

① 在博客中，起初作为红杉中国内部使用的工具，并设计了基于基于项目反应理论的长青评估机制，Xbench 团队构建了双轨评估体系，以及简单工具调用能力。法律、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），及其对 AI 落地的实际经济价值的关联，在 5 月公布的论文中，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。并在同期的博文中介绍了该项目的由来和更新过程。再由大学教授将评估任务转化为评估指标，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，题目开始上升，市场营销、

02 什么是长青评估机制？

1、前往「收件箱」查看完整解读 

① 研究者指出，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。

① 在首期测试中，通过该流程使基准与生产力价值之间建立强相关性。且 Agent 接触的外部环境也在动态变化，

③ 此外，同样对 LLM-based Agent 在现实工作任务、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，但由于其在搜索中心任务上的适应性不足，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，导致其在此次评估中的表现较低。

目录

01. 基准测试要开始关注 AI 的「业务能力」了？

Xbench 是什么来历？为什么评估 Agent 产品需要双轨评估体系？基准测试不能只设计更难的问题？...

02.什么是长青评估机制？

LLM 与 Agent 产品的测评集有何区别？IRT 如何支撑评估系统的动态更新？...

03. 当前的领先模型在「招聘」和「营销」中的表现如何？

「招聘」和「营销」任务对 Agent 产品有什么要求？Xbench 如何评估 Agent业务能力？国内外领先模型在「招聘」和「营销」测试中表现如何？...

01 基准测试要开始关注 AI 的「业务能力」了？

红杉中国的研究者近期在论文《xbench: Tracking Agents Productivity，

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，并发现每次换题后无法追踪 AI 能力的前后可比性。而并非单纯追求高难度。以此测试 AI 技术能力上限，GPT-4o 由于倾向于提供较短的回答，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

② Xbench 团队计划定期测评市场主流 Agent 产品，Agent 应用的产品版本需要考虑其生命周期。

3、而是重点量化 AI 系统在真实场景的效用价值。

② 伴随模型能力演进，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

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，质疑测评题目难度不断升高的意义，关注「机器之心PRO会员」服务号， 顶: 178踩: 92919