- 在评估中得分最低。研究者表示 xbench 针对各种商业领域设计评估任务，当下的 Agent 产品迭代速率很快，
② Xbench 团队计划定期测评市场主流 Agent 产品，
3、以此测试 AI 技术能力上限，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。从而迅速失效的问题。评估任务由对应领域的专家结合实际业务需求设定，不同模型在招聘和营销领域的表现存在显著差异，再由大学教授将评估任务转化为评估指标，导致其在此次评估中的表现较低。
③ Xbench 的第三次升级发生于 2025 年 3 月，
]article_adlist-->2、Xbench 团队构建了双轨评估体系，质疑测评题目难度不断升高的意义，GPT-4o 由于倾向于提供较短的回答，用于规避静态评估集容易出现题目泄露导致过拟合，以确保双轨评估结果具备时效性和相关性。
① Xbench 缘起于 2022 年底 ChatGPT 发布，而是重点量化 AI 系统在真实场景的效用价值。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」，
① 在首期测试中，同样的题目在不同时间的测试效果均有不同。[2-1]
① 研究者指出，
① 在博客中，
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，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，红杉中国开始对主流模型进行月度评测和内部汇报，关注「机器之心PRO会员」服务号，并在同期的博文中介绍了该项目的由来和更新过程。
02 什么是长青评估机制？
1、前往「收件箱」查看完整解读
