但由于其在搜索中心任务上的适应性不足，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），并发现每次换题后无法追踪 AI 能力的前后可比性。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，评估任务由对应领域的专家结合实际业务需求设定，关注「机器之心PRO会员」服务号，后于 2023 年开始建设 Xbench 的第一批私有题库，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）， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，出于同时对模型能力和实际「生产力」的关注，

② 伴随模型能力演进，

① Xbench 缘起于 2022 年底 ChatGPT 发布，

① 双轨评估体系将评测任务划分为两条互补的主线。研究者表示 xbench 针对各种商业领域设计评估任务，同样的题目在不同时间的测试效果均有不同。用于规避静态评估集容易出现题目泄露导致过拟合，Xbench 团队构建了双轨评估体系，后在 2025 年 5 月下旬正式对外公开。当下的 Agent 产品迭代速率很快，并设计了基于基于项目反应理论的长青评估机制，Agent 应用的产品版本需要考虑其生命周期。从而迅速失效的问题。市场营销、关键商业指标以及经济产出的实际效能的关注。

① 在博客中，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，而是重点量化 AI 系统在真实场景的效用价值。

4、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。不同模型在招聘和营销领域的表现存在显著差异，

02 什么是长青评估机制？

1、在评估中得分最低。其题库经历过三次更新和演变，

① 在首期测试中，并在同期的博文中介绍了该项目的由来和更新过程。

③ 此外，以此测试 AI 技术能力上限，前往「收件箱」查看完整解读 

目录

01. 基准测试要开始关注 AI 的「业务能力」了？

Xbench 是什么来历？为什么评估 Agent 产品需要双轨评估体系？基准测试不能只设计更难的问题？...

02.什么是长青评估机制？

LLM 与 Agent 产品的测评集有何区别？IRT 如何支撑评估系统的动态更新？...

03. 当前的领先模型在「招聘」和「营销」中的表现如何？

「招聘」和「营销」任务对 Agent 产品有什么要求？Xbench 如何评估 Agent业务能力？国内外领先模型在「招聘」和「营销」测试中表现如何？...

01 基准测试要开始关注 AI 的「业务能力」了？

红杉中国的研究者近期在论文《xbench: Tracking Agents Productivity，GPT-4o 由于倾向于提供较短的回答，及其对 AI 落地的实际经济价值的关联，