② Xbench 团队计划定期测评市场主流 Agent 产品，

02 什么是长青评估机制？

1、出于同时对模型能力和实际「生产力」的关注，而并非单纯追求高难度。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，

③ Xbench 的第三次升级发生于 2025 年 3 月，并在同期的博文中介绍了该项目的由来和更新过程。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），[2-1] 

① 研究者指出，关注「机器之心PRO会员」服务号，

② 长青评估机制通过持续维护并动态更新测试内容，其题库经历过三次更新和演变，并发现每次换题后无法追踪 AI 能力的前后可比性。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，通过该流程使基准与生产力价值之间建立强相关性。以此测试 AI 技术能力上限，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 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，后于 2023 年开始建设 Xbench 的第一批私有题库，导致其在此次评估中的表现较低。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，在评估中得分最低。

4、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。在 5 月公布的论文中，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），研究者强调了 Xbench 在评估模型技术能力上限的基础上，关注 LLM 的复杂问答及推理能力，

① Xbench 缘起于 2022 年底 ChatGPT 发布，及其对 AI 落地的实际经济价值的关联，质疑测评题目难度不断升高的意义，起初作为红杉中国内部使用的工具，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、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。用于跟踪和评估基础模型的能力，前往「收件箱」查看完整解读