2、

1、而并非单纯追求高难度。

② 伴随模型能力演进，

③ 此外，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，Xbench 团队构建了双轨评估体系，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。并在同期的博文中介绍了该项目的由来和更新过程。

3、金融、其双轨测评体系强调了不再单纯执着于测评问题的难度，题目开始上升，当下的 Agent 产品迭代速率很快，红杉团队在该时段开始思考现今模型能力和 AI 实际效用之间的关系，且 Agent 接触的外部环境也在动态变化，在评估中得分最低。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，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。以此测试 AI 技术能力上限，Agent 应用的产品版本需要考虑其生命周期。

02 什么是长青评估机制？

1、

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，研究者强调了 Xbench 在评估模型技术能力上限的基础上，前往「收件箱」查看完整解读 

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，研究者表示 xbench 针对各种商业领域设计评估任务，通过该流程使基准与生产力价值之间建立强相关性。质疑测评题目难度不断升高的意义，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）， 顶: 1踩: 6