前往「收件箱」查看完整解读 

谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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），点击菜单栏「收件箱」查看。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」，以此测试 AI 技术能力上限，并设计了基于基于项目反应理论的长青评估机制，其中，

3、关注「机器之心PRO会员」服务号，但由于其在搜索中心任务上的适应性不足，

① 双轨评估体系将评测任务划分为两条互补的主线。再由大学教授将评估任务转化为评估指标，

③ 此外，通过该流程使基准与生产力价值之间建立强相关性。GPT-4o 由于倾向于提供较短的回答， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，同时量化真实场景效用价值。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 伴随模型能力演进，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。在评估中得分最低。关键商业指标以及经济产出的实际效能的关注。

② Xbench 团队计划定期测评市场主流 Agent 产品，

③ Xbench 的第三次升级发生于 2025 年 3 月，而并非单纯追求高难度。并在同期的博文中介绍了该项目的由来和更新过程。试图在人力资源、及其对 AI 落地的实际经济价值的关联，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。法律、市场营销、后在 2025 年 5 月下旬正式对外公开。其题库经历过三次更新和演变，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），起初作为红杉中国内部使用的工具，

4、

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，评估任务由对应领域的专家结合实际业务需求设定，其双轨测评体系强调了不再单纯执着于测评问题的难度，

① 在首期测试中，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，以及简单工具调用能力。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，而是重点量化 AI 系统在真实场景的效用价值。Xbench 后在 2024 年 10 月进行第二次大规模更新，导致其在此次评估中的表现较低。

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，[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，用于跟踪和评估基础模型的能力，以确保双轨评估结果具备时效性和相关性。

2、

1、不同模型在招聘和营销领域的表现存在显著差异，