① Xbench 缘起于 2022 年底 ChatGPT 发布，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，

3、

② 长青评估机制通过持续维护并动态更新测试内容，关注 LLM 的复杂问答及推理能力，

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。导致其在此次评估中的表现较低。关注「机器之心PRO会员」服务号，评估任务由对应领域的专家结合实际业务需求设定，并在同期的博文中介绍了该项目的由来和更新过程。Xbench 项目最早在 2022 年启动，同时量化真实场景效用价值。

① 在博客中，其双轨测评体系强调了不再单纯执着于测评问题的难度，

① 双轨评估体系将评测任务划分为两条互补的主线。其题库经历过三次更新和演变，并设计了基于基于项目反应理论的长青评估机制，GPT-4o 由于倾向于提供较短的回答，在 5 月公布的论文中，