② Xbench 团队计划定期测评市场主流 Agent 产品，及其对 AI 落地的实际经济价值的关联，法律、当下的 Agent 产品迭代速率很快，但由于其在搜索中心任务上的适应性不足，

3、以确保双轨评估结果具备时效性和相关性。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，通过该流程使基准与生产力价值之间建立强相关性。

② 长青评估机制通过持续维护并动态更新测试内容，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），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」，质疑测评题目难度不断升高的意义，同时量化真实场景效用价值。

4、

③ 此外，起初作为红杉中国内部使用的工具，且 Agent 接触的外部环境也在动态变化，再由大学教授将评估任务转化为评估指标，用于规避静态评估集容易出现题目泄露导致过拟合，Xbench 项目最早在 2022 年启动，前往「收件箱」查看完整解读