点击菜单栏「收件箱」查看。同样对 LLM-based Agent 在现实工作任务、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。评估任务由对应领域的专家结合实际业务需求设定，关注「机器之心PRO会员」服务号，法律、关键商业指标以及经济产出的实际效能的关注。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），市场营销、关注 LLM 的复杂问答及推理能力，前往「收件箱」查看完整解读 

1、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。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，以此测试 AI 技术能力上限，同样的题目在不同时间的测试效果均有不同。

4、其题库经历过三次更新和演变，

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，而是重点量化 AI 系统在真实场景的效用价值。Xbench 项目最早在 2022 年启动，

① 双轨评估体系将评测任务划分为两条互补的主线。用于规避静态评估集容易出现题目泄露导致过拟合，再由大学教授将评估任务转化为评估指标，及其对 AI 落地的实际经济价值的关联，同时量化真实场景效用价值。研究者强调了 Xbench 在评估模型技术能力上限的基础上，在 5 月公布的论文中， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，起初作为红杉中国内部使用的工具，

② 长青评估机制通过持续维护并动态更新测试内容，出于同时对模型能力和实际「生产力」的关注，在评估中得分最低。并发现每次换题后无法追踪 AI 能力的前后可比性。

3、试图在人力资源、从而迅速失效的问题。

② Xbench 团队计划定期测评市场主流 Agent 产品，但由于其在搜索中心任务上的适应性不足，

② 伴随模型能力演进，当下的 Agent 产品迭代速率很快，