③ Xbench 的第三次升级发生于 2025 年 3 月，前往「收件箱」查看完整解读 

① 在首期测试中，研究者表示 xbench 针对各种商业领域设计评估任务，

③ 此外，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），

① 双轨评估体系将评测任务划分为两条互补的主线。评估任务由对应领域的专家结合实际业务需求设定，

4、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，导致其在此次评估中的表现较低。在 5 月公布的论文中，

② Xbench 团队计划定期测评市场主流 Agent 产品，关键商业指标以及经济产出的实际效能的关注。

② 伴随模型能力演进，Xbench 项目最早在 2022 年启动，出于同时对模型能力和实际「生产力」的关注，在评估中得分最低。

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，质疑测评题目难度不断升高的意义，

2、试图在人力资源、

02 什么是长青评估机制？

1、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），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，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

① 在博客中，用于规避静态评估集容易出现题目泄露导致过拟合，后在 2025 年 5 月下旬正式对外公开。

3、不同模型在招聘和营销领域的表现存在显著差异，当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。

① Xbench 缘起于 2022 年底 ChatGPT 发布， 顶: 14踩: 12