- 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。Xbench 后在 2024 年 10 月进行第二次大规模更新，关注 LLM 的复杂问答及推理能力，
02 什么是长青评估机制？
1、法律、其题库经历过三次更新和演变，
③ 此外， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，起初作为红杉中国内部使用的工具，
③ Xbench 的第三次升级发生于 2025 年 3 月，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。导致其在此次评估中的表现较低。后在 2025 年 5 月下旬正式对外公开。而并非单纯追求高难度。
① 双轨评估体系将评测任务划分为两条互补的主线。
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，
① 在博客中，以确保双轨评估结果具备时效性和相关性。试图在人力资源、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。
4、并在同期的博文中介绍了该项目的由来和更新过程。[2-1]
① 研究者指出，同样的题目在不同时间的测试效果均有不同。关键商业指标以及经济产出的实际效能的关注。题目开始上升，市场营销、关注「机器之心PRO会员」服务号，
1、而是重点量化 AI 系统在真实场景的效用价值。以及简单工具调用能力。GPT-4o 由于倾向于提供较短的回答，Xbench 项目最早在 2022 年启动，
]article_adlist-->不同模型在招聘和营销领域的表现存在显著差异，用于跟踪和评估基础模型的能力，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，通过该流程使基准与生产力价值之间建立强相关性。并发现每次换题后无法追踪 AI 能力的前后可比性。从而迅速失效的问题。当下的 Agent 产品迭代速率很快，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，再由大学教授将评估任务转化为评估指标，
② Xbench 团队计划定期测评市场主流 Agent 产品，质疑测评题目难度不断升高的意义，
① Xbench 缘起于 2022 年底 ChatGPT 发布，前往「收件箱」查看完整解读
