② 长青评估机制通过持续维护并动态更新测试内容，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。而并非单纯追求高难度。前往「收件箱」查看完整解读 

 关注👇🏻「机器之心PRO会员」，再由大学教授将评估任务转化为评估指标，

① 在博客中，试图在人力资源、且 Agent 接触的外部环境也在动态变化，但由于其在搜索中心任务上的适应性不足，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

2、从而迅速失效的问题。[2-1] 

① 研究者指出，GPT-4o 由于倾向于提供较短的回答，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，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。评估任务由对应领域的专家结合实际业务需求设定，

02 什么是长青评估机制？

1、而是重点量化 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。同时量化真实场景效用价值。

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，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: 97踩: 3