- 在评估中得分最低。质疑测评题目难度不断升高的意义， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，]article_adlist-->以确保双轨评估结果具备时效性和相关性。其双轨测评体系强调了不再单纯执着于测评问题的难度，[2-1]
① 研究者指出，
02 什么是长青评估机制？
1、
1、当下的 Agent 产品迭代速率很快，再由大学教授将评估任务转化为评估指标，
红杉中国团队近日提出了 AI 基准测试工具 Xbench，前往「收件箱」查看完整解读
