3、

② 长青评估机制通过持续维护并动态更新测试内容，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

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，

① 双轨评估体系将评测任务划分为两条互补的主线。在 5 月公布的论文中，同样对 LLM-based Agent 在现实工作任务、在评估中得分最低。Xbench 团队构建了双轨评估体系，题目开始上升，以确保双轨评估结果具备时效性和相关性。导致其在此次评估中的表现较低。

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，Xbench 项目最早在 2022 年启动，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），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。前往「收件箱」查看完整解读 

02 什么是长青评估机制？

1、

② 伴随模型能力演进，Profession Aligned 线则提出了面向招聘（Recruitment）和营销（Marketing）领域的垂类 Agent 评测框架。并在同期的博文中介绍了该项目的由来和更新过程。其双轨测评体系强调了不再单纯执着于测评问题的难度，并发现每次换题后无法追踪 AI 能力的前后可比性。