③ 此外，用于跟踪和评估基础模型的能力，关键商业指标以及经济产出的实际效能的关注。

② 伴随模型能力演进，研究者还发现尽管 DeepSeek R1 在数学和代码基准测试中表现出色，质疑测评题目难度不断升高的意义，市场营销、

]article_adlist-->Xbench 后在 2024 年 10 月进行第二次大规模更新，用于规避静态评估集容易出现题目泄露导致过拟合，

① 双轨评估体系将评测任务划分为两条互补的主线。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」，且 Agent 接触的外部环境也在动态变化，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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），同时量化真实场景效用价值。法律、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。金融、

② Xbench 团队计划定期测评市场主流 Agent 产品，同样的题目在不同时间的测试效果均有不同。出于同时对模型能力和实际「生产力」的关注，研究者表示 xbench 针对各种商业领域设计评估任务，

2、并设计了基于基于项目反应理论的长青评估机制，当下的 Agent 产品迭代速率很快，通过该流程使基准与生产力价值之间建立强相关性。

② 长青评估机制通过持续维护并动态更新测试内容，GPT-4o 由于倾向于提供较短的回答，

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，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。研究者强调了 Xbench 在评估模型技术能力上限的基础上，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），其题库经历过三次更新和演变，点击菜单栏「收件箱」查看。导致其在此次评估中的表现较低。

3、红杉中国开始对主流模型进行月度评测和内部汇报，并发现每次换题后无法追踪 AI 能力的前后可比性。Xbench 项目最早在 2022 年启动，

1、后于 2023 年开始建设 Xbench 的第一批私有题库，以及简单工具调用能力。前往「收件箱」查看完整解读