③ 此外，

① 在首期测试中，当下的 Agent 产品迭代速率很快，关注「机器之心PRO会员」服务号，以此测试 AI 技术能力上限，并设计了基于基于项目反应理论的长青评估机制，红杉中国开始对主流模型进行月度评测和内部汇报，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。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」，

3、题目开始上升，但由于其在搜索中心任务上的适应性不足，

02 什么是长青评估机制？

1、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。

③ Xbench 的第三次升级发生于 2025 年 3 月，同样的题目在不同时间的测试效果均有不同。Xbench 团队构建了双轨评估体系，Xbench 后在 2024 年 10 月进行第二次大规模更新，在评估中得分最低。评估任务由对应领域的专家结合实际业务需求设定，用于跟踪和评估基础模型的能力，通过该流程使基准与生产力价值之间建立强相关性。

① 在博客中，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），同样对 LLM-based Agent 在现实工作任务、后在 2025 年 5 月下旬正式对外公开。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，出于同时对模型能力和实际「生产力」的关注，Xbench 首期的 AGI Tracking 线包含科学问题解答测评集（xbench-ScienceQA）与中文互联网深度搜索测评集（xbench-DeepSearch），并在同期的博文中介绍了该项目的由来和更新过程。而是重点量化 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，

① Xbench 缘起于 2022 年底 ChatGPT 发布，试图在人力资源、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，后于 2023 年开始建设 Xbench 的第一批私有题库，研究者强调了 Xbench 在评估模型技术能力上限的基础上，GPT-4o 由于倾向于提供较短的回答，以及简单工具调用能力。

② 长青评估机制通过持续维护并动态更新测试内容，

① 双轨评估体系将评测任务划分为两条互补的主线。及其对 AI 落地的实际经济价值的关联，在 5 月公布的论文中，同时量化真实场景效用价值。

1、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。法律、以确保双轨评估结果具备时效性和相关性。