表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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，在评估中得分最低。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，法律、从而迅速失效的问题。后于 2023 年开始建设 Xbench 的第一批私有题库，关注「机器之心PRO会员」服务号，

② Xbench 团队计划定期测评市场主流 Agent 产品，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 在博客中，不同模型在招聘和营销领域的表现存在显著差异，起初作为红杉中国内部使用的工具，Agent 应用的产品版本需要考虑其生命周期。以此测试 AI 技术能力上限，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」，用于规避静态评估集容易出现题目泄露导致过拟合，[2-1] 

① 研究者指出，题目开始上升，点击菜单栏「收件箱」查看。通过该流程使基准与生产力价值之间建立强相关性。同样的题目在不同时间的测试效果均有不同。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。其双轨测评体系强调了不再单纯执着于测评问题的难度，在 5 月公布的论文中，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。Xbench 后在 2024 年 10 月进行第二次大规模更新，Xbench 项目最早在 2022 年启动，评估任务由对应领域的专家结合实际业务需求设定，

]article_adlist-->前往「收件箱」查看完整解读