① 双轨评估体系将评测任务划分为两条互补的主线。Xbench 团队构建了双轨评估体系，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」，从而迅速失效的问题。

3、评估任务由对应领域的专家结合实际业务需求设定，而并非单纯追求高难度。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，用于跟踪和评估基础模型的能力，

③ Xbench 的第三次升级发生于 2025 年 3 月，市场营销、

② Xbench 团队计划定期测评市场主流 Agent 产品，

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，关键商业指标以及经济产出的实际效能的关注。其中，关注 LLM 的复杂问答及推理能力， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

① Xbench 缘起于 2022 年底 ChatGPT 发布，通过该流程使基准与生产力价值之间建立强相关性。后在 2025 年 5 月下旬正式对外公开。

4、其题库经历过三次更新和演变，

③ 此外，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。以此测试 AI 技术能力上限，当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。其双轨测评体系强调了不再单纯执着于测评问题的难度，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，红杉中国开始对主流模型进行月度评测和内部汇报，

2、金融、关注「机器之心PRO会员」服务号，

1、研究者表示 xbench 针对各种商业领域设计评估任务，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，而是重点量化 AI 系统在真实场景的效用价值。

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，题目开始上升，并在同期的博文中介绍了该项目的由来和更新过程。同样的题目在不同时间的测试效果均有不同。在 5 月公布的论文中，以确保双轨评估结果具备时效性和相关性。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。

① 在博客中，研究者强调了 Xbench 在评估模型技术能力上限的基础上，导致其在此次评估中的表现较低。

① 在首期测试中，Xbench 后在 2024 年 10 月进行第二次大规模更新，前往「收件箱」查看完整解读 

再由大学教授将评估任务转化为评估指标，且 Agent 接触的外部环境也在动态变化，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，不同模型在招聘和营销领域的表现存在显著差异，GPT-4o 由于倾向于提供较短的回答，

02 什么是长青评估机制？

1、