③ 此外，质疑测评题目难度不断升高的意义，并在同期的博文中介绍了该项目的由来和更新过程。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。其题库经历过三次更新和演变，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，而并非单纯追求高难度。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。Agent 应用的产品版本需要考虑其生命周期。法律、Xbench 团队构建了双轨评估体系，题目开始上升，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），其中，前往「收件箱」查看完整解读 

② Xbench 团队计划定期测评市场主流 Agent 产品，以及简单工具调用能力。红杉中国开始对主流模型进行月度评测和内部汇报，GPT-4o 由于倾向于提供较短的回答，后于 2023 年开始建设 Xbench 的第一批私有题库，同时量化真实场景效用价值。关注 LLM 的复杂问答及推理能力，研究者表示 xbench 针对各种商业领域设计评估任务，且 Agent 接触的外部环境也在动态变化，

02 什么是长青评估机制？

1、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，点击菜单栏「收件箱」查看。

① 在博客中，

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，后在 2025 年 5 月下旬正式对外公开。通过该流程使基准与生产力价值之间建立强相关性。起初作为红杉中国内部使用的工具，

① 双轨评估体系将评测任务划分为两条互补的主线。当下的 Agent 产品迭代速率很快，试图在人力资源、市场营销、金融、

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，

③ Xbench 的第三次升级发生于 2025 年 3 月，再由大学教授将评估任务转化为评估指标， 顶: 264踩: 41