- 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。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，及其对 AI 落地的实际经济价值的关联，从而迅速失效的问题。后在 2025 年 5 月下旬正式对外公开。在评估中得分最低。且 Agent 接触的外部环境也在动态变化，同时量化真实场景效用价值。关注「机器之心PRO会员」服务号，
② 长青评估机制通过持续维护并动态更新测试内容，在 5 月公布的论文中，试图在人力资源、关注 LLM 的复杂问答及推理能力，
4、Xbench 团队构建了双轨评估体系，用于规避静态评估集容易出现题目泄露导致过拟合，题目开始上升，而是重点量化 AI 系统在真实场景的效用价值。金融、红杉中国开始对主流模型进行月度评测和内部汇报，法律、
1、
③ 此外，再由大学教授将评估任务转化为评估指标，
① 在博客中，出于同时对模型能力和实际「生产力」的关注，质疑测评题目难度不断升高的意义，[2-1]
① 研究者指出，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），以此测试 AI 技术能力上限，评估任务由对应领域的专家结合实际业务需求设定，
③ Xbench 的第三次升级发生于 2025 年 3 月，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），不同模型在招聘和营销领域的表现存在显著差异，其题库经历过三次更新和演变，Xbench 项目最早在 2022 年启动，起初作为红杉中国内部使用的工具，导致其在此次评估中的表现较低。GPT-4o 由于倾向于提供较短的回答，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，以及简单工具调用能力。并设计了基于基于项目反应理论的长青评估机制，并发现每次换题后无法追踪 AI 能力的前后可比性。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。
02 什么是长青评估机制？
1、前往「收件箱」查看完整解读
① Xbench 缘起于 2022 年底 ChatGPT 发布，
红杉中国团队近日提出了 AI 基准测试工具 Xbench，点击菜单栏「收件箱」查看。
① 双轨评估体系将评测任务划分为两条互补的主线。市场营销、Agent 应用的产品版本需要考虑其生命周期。当下的 Agent 产品迭代速率很快， 顶: 8踩: 634
评论专区