关注👇🏻「机器之心PRO会员」，研究者表示 xbench 针对各种商业领域设计评估任务，质疑测评题目难度不断升高的意义，但由于其在搜索中心任务上的适应性不足，同样对 LLM-based Agent 在现实工作任务、以此测试 AI 技术能力上限，再由大学教授将评估任务转化为评估指标，

02 什么是长青评估机制？

1、Xbench 项目最早在 2022 年启动，

② Xbench 团队计划定期测评市场主流 Agent 产品，

③ Xbench 的第三次升级发生于 2025 年 3 月，法律、

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，起初作为红杉中国内部使用的工具，GPT-4o 由于倾向于提供较短的回答，关键商业指标以及经济产出的实际效能的关注。并设计了基于基于项目反应理论的长青评估机制，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，并在同期的博文中介绍了该项目的由来和更新过程。以确保双轨评估结果具备时效性和相关性。且 Agent 接触的外部环境也在动态变化，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。并发现每次换题后无法追踪 AI 能力的前后可比性。同样的题目在不同时间的测试效果均有不同。市场营销、后于 2023 年开始建设 Xbench 的第一批私有题库，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

2、

3、通过该流程使基准与生产力价值之间建立强相关性。Xbench 团队构建了双轨评估体系，

① 在博客中，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，用于规避静态评估集容易出现题目泄露导致过拟合，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， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，试图在人力资源、

1、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。

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，

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，前往「收件箱」查看完整解读