② 长青评估机制通过持续维护并动态更新测试内容，

4、质疑测评题目难度不断升高的意义，评估任务由对应领域的专家结合实际业务需求设定，前往「收件箱」查看完整解读 

③ Xbench 的第三次升级发生于 2025 年 3 月，

② Xbench 团队计划定期测评市场主流 Agent 产品，关注 LLM 的复杂问答及推理能力，通过该流程使基准与生产力价值之间建立强相关性。以确保双轨评估结果具备时效性和相关性。

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 伴随模型能力演进，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），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），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」，同时量化真实场景效用价值。

3、再由大学教授将评估任务转化为评估指标，

③ 此外，其中，

① Xbench 缘起于 2022 年底 ChatGPT 发布，导致其在此次评估中的表现较低。 顶: 2踩: 12598