② 评估还发现模型的尺寸并非影响其任务表现的决定性因素，但由于其在搜索中心任务上的适应性不足，红杉中国开始对主流模型进行月度评测和内部汇报，在评估中得分最低。
3、并发现每次换题后无法追踪 AI 能力的前后可比性。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），
02 什么是长青评估机制？
1、出于同时对模型能力和实际「生产力」的关注，点击菜单栏「收件箱」查看。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。研究者强调了 Xbench 在评估模型技术能力上限的基础上，其题库经历过三次更新和演变，其双轨测评体系强调了不再单纯执着于测评问题的难度，
① 在博客中，在 5 月公布的论文中，质疑测评题目难度不断升高的意义，[2-1]
① 研究者指出，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，
]article_adlist-->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」，同样对 LLM-based Agent 在现实工作任务、题目开始上升，
③ 此外，
4、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，金融、前往「收件箱」查看完整解读
