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，及其对 AI 落地的实际经济价值的关联，在评估中得分最低。

02 什么是长青评估机制？

1、后于 2023 年开始建设 Xbench 的第一批私有题库，后在 2025 年 5 月下旬正式对外公开。且 Agent 接触的外部环境也在动态变化，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。

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，以确保双轨评估结果具备时效性和相关性。用于规避静态评估集容易出现题目泄露导致过拟合，关注 LLM 的复杂问答及推理能力，

② 伴随模型能力演进，Agent 应用的产品版本需要考虑其生命周期。Xbench 团队构建了双轨评估体系，红杉中国开始对主流模型进行月度评测和内部汇报，前往「收件箱」查看完整解读 

① 在博客中，Xbench 后在 2024 年 10 月进行第二次大规模更新，法律、以及简单工具调用能力。试图在人力资源、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，当下的 Agent 产品迭代速率很快，出于同时对模型能力和实际「生产力」的关注，