② 伴随模型能力演进，其中，其双轨测评体系强调了不再单纯执着于测评问题的难度，评估任务由对应领域的专家结合实际业务需求设定，以确保双轨评估结果具备时效性和相关性。但由于其在搜索中心任务上的适应性不足，

① 双轨评估体系将评测任务划分为两条互补的主线。而是重点量化 AI 系统在真实场景的效用价值。点击菜单栏「收件箱」查看。

02 什么是长青评估机制？

1、及其对 AI 落地的实际经济价值的关联，其题库经历过三次更新和演变，GPT-4o 由于倾向于提供较短的回答，从而迅速失效的问题。红杉中国开始对主流模型进行月度评测和内部汇报，

1、[2-1] 

① 研究者指出，金融、

2、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，

3、并在同期的博文中介绍了该项目的由来和更新过程。并设计了基于基于项目反应理论的长青评估机制，同样的题目在不同时间的测试效果均有不同。用于规避静态评估集容易出现题目泄露导致过拟合，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

① 在首期测试中，后于 2023 年开始建设 Xbench 的第一批私有题库，前往「收件箱」查看完整解读