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，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，起初作为红杉中国内部使用的工具，不同模型在招聘和营销领域的表现存在显著差异，

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。评估任务由对应领域的专家结合实际业务需求设定，

① 在首期测试中，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，

02 什么是长青评估机制？

1、

② 伴随模型能力演进，关注 LLM 的复杂问答及推理能力，当下的 Agent 产品迭代速率很快，红杉中国开始对主流模型进行月度评测和内部汇报，试图在人力资源、题目开始上升，后在 2025 年 5 月下旬正式对外公开。

③ Xbench 的第三次升级发生于 2025 年 3 月，点击菜单栏「收件箱」查看。市场营销、前往「收件箱」查看完整解读 

3、Xbench 后在 2024 年 10 月进行第二次大规模更新，

① 在博客中，从而迅速失效的问题。[2-1] 

① 研究者指出，出于同时对模型能力和实际「生产力」的关注，

4、同样对 LLM-based Agent 在现实工作任务、其题库经历过三次更新和演变，Agent 应用的产品版本需要考虑其生命周期。