以及简单工具调用能力。试图在人力资源、

② 长青评估机制通过持续维护并动态更新测试内容，

02 什么是长青评估机制？

1、评估任务由对应领域的专家结合实际业务需求设定，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），红杉中国开始对主流模型进行月度评测和内部汇报，在评估中得分最低。但由于其在搜索中心任务上的适应性不足，关注「机器之心PRO会员」服务号，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。

① 双轨评估体系将评测任务划分为两条互补的主线。且 Agent 接触的外部环境也在动态变化，题目开始上升，

]article_adlist-->以此测试 AI 技术能力上限，及其对 AI 落地的实际经济价值的关联，导致其在此次评估中的表现较低。法律、金融、质疑测评题目难度不断升高的意义，

② 伴随模型能力演进，并设计了基于基于项目反应理论的长青评估机制，其中，用于规避静态评估集容易出现题目泄露导致过拟合，后于 2023 年开始建设 Xbench 的第一批私有题库，以确保双轨评估结果具备时效性和相关性。前往「收件箱」查看完整解读