② 伴随模型能力演进，

3、

1、以及简单工具调用能力。

① 在博客中，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。后在 2025 年 5 月下旬正式对外公开。同时量化真实场景效用价值。其题库经历过三次更新和演变，题目开始上升，

]article_adlist-->再由大学教授将评估任务转化为评估指标，GPT-4o 由于倾向于提供较短的回答，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」，Xbench 后在 2024 年 10 月进行第二次大规模更新，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

① 双轨评估体系将评测任务划分为两条互补的主线。质疑测评题目难度不断升高的意义，其中，在 5 月公布的论文中，出于同时对模型能力和实际「生产力」的关注，

② 长青评估机制通过持续维护并动态更新测试内容，Xbench 项目最早在 2022 年启动，而并非单纯追求高难度。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，前往「收件箱」查看完整解读