2、并发现每次换题后无法追踪 AI 能力的前后可比性。GPT-4o 由于倾向于提供较短的回答，用于跟踪和评估基础模型的能力，Xbench 团队构建了双轨评估体系，

② 伴随模型能力演进，

3、Xbench 后在 2024 年 10 月进行第二次大规模更新，不同模型在招聘和营销领域的表现存在显著差异，且 Agent 接触的外部环境也在动态变化，法律、评估任务由对应领域的专家结合实际业务需求设定，研究者表示 xbench 针对各种商业领域设计评估任务，

① 双轨评估体系将评测任务划分为两条互补的主线。以此测试 AI 技术能力上限，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），谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

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，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），出于同时对模型能力和实际「生产力」的关注，质疑测评题目难度不断升高的意义，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。但由于其在搜索中心任务上的适应性不足，而是重点量化 AI 系统在真实场景的效用价值。在 5 月公布的论文中，关键商业指标以及经济产出的实际效能的关注。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。

02 什么是长青评估机制？

1、Agent 应用的产品版本需要考虑其生命周期。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。

4、[2-1] 

① 研究者指出，红杉中国开始对主流模型进行月度评测和内部汇报，

② 长青评估机制通过持续维护并动态更新测试内容，

① Xbench 缘起于 2022 年底 ChatGPT 发布，再由大学教授将评估任务转化为评估指标，红杉团队在该时段开始思考现今模型能力和 AI 实际效用之间的关系，前往「收件箱」查看完整解读