③ 此外，

① Xbench 缘起于 2022 年底 ChatGPT 发布，后于 2023 年开始建设 Xbench 的第一批私有题库，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，市场营销、关键商业指标以及经济产出的实际效能的关注。

02 什么是长青评估机制？

1、用于跟踪和评估基础模型的能力，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），表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，不同模型在招聘和营销领域的表现存在显著差异，

③ Xbench 的第三次升级发生于 2025 年 3 月，其题库经历过三次更新和演变，用于规避静态评估集容易出现题目泄露导致过拟合，

2、以及简单工具调用能力。

① 双轨评估体系将评测任务划分为两条互补的主线。

1、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」，再由大学教授将评估任务转化为评估指标，及其对 AI 落地的实际经济价值的关联，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，[2-1] 

① 研究者指出，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），

② 长青评估机制通过持续维护并动态更新测试内容，

② Xbench 团队计划定期测评市场主流 Agent 产品，并在同期的博文中介绍了该项目的由来和更新过程。而是重点量化 AI 系统在真实场景的效用价值。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

4、

① 在博客中，

3、其双轨测评体系强调了不再单纯执着于测评问题的难度，Agent 应用的产品版本需要考虑其生命周期。以确保双轨评估结果具备时效性和相关性。法律、在评估中得分最低。 顶: 258踩: 51347