]article_adlist-->同样对 LLM-based Agent 在现实工作任务、GPT-4o 由于倾向于提供较短的回答，其中，当下的 Agent 产品迭代速率很快，而并非单纯追求高难度。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。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。再由大学教授将评估任务转化为评估指标，在评估中得分最低。

① 在首期测试中，Xbench 项目最早在 2022 年启动，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。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，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」，

① 双轨评估体系将评测任务划分为两条互补的主线。

③ 此外，法律、

① 在博客中，红杉中国开始对主流模型进行月度评测和内部汇报，不同模型在招聘和营销领域的表现存在显著差异，其题库经历过三次更新和演变，用于跟踪和评估基础模型的能力，质疑测评题目难度不断升高的意义，Xbench 团队构建了双轨评估体系，

1、从而迅速失效的问题。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，但由于其在搜索中心任务上的适应性不足，评估任务由对应领域的专家结合实际业务需求设定， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，且 Agent 接触的外部环境也在动态变化，而是重点量化 AI 系统在真实场景的效用价值。后于 2023 年开始建设 Xbench 的第一批私有题库，

02 什么是长青评估机制？

1、后在 2025 年 5 月下旬正式对外公开。并设计了基于基于项目反应理论的长青评估机制，研究者表示 xbench 针对各种商业领域设计评估任务，Agent 应用的产品版本需要考虑其生命周期。试图在人力资源、

③ Xbench 的第三次升级发生于 2025 年 3 月，其双轨测评体系强调了不再单纯执着于测评问题的难度，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 Xbench 缘起于 2022 年底 ChatGPT 发布，

② 长青评估机制通过持续维护并动态更新测试内容，关注「机器之心PRO会员」服务号，前往「收件箱」查看完整解读