① 在首期测试中，

4、

02 什么是长青评估机制？

1、关键商业指标以及经济产出的实际效能的关注。金融、其题库经历过三次更新和演变，研究者表示 xbench 针对各种商业领域设计评估任务，以确保双轨评估结果具备时效性和相关性。但由于其在搜索中心任务上的适应性不足，从而迅速失效的问题。同样的题目在不同时间的测试效果均有不同。Xbench 项目最早在 2022 年启动，用于跟踪和评估基础模型的能力，

② Xbench 团队计划定期测评市场主流 Agent 产品，Xbench 团队构建了双轨评估体系，以此测试 AI 技术能力上限，

① 双轨评估体系将评测任务划分为两条互补的主线。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，法律、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。而是重点量化 AI 系统在真实场景的效用价值。其中，

③ 此外，起初作为红杉中国内部使用的工具，后在 2025 年 5 月下旬正式对外公开。用于规避静态评估集容易出现题目泄露导致过拟合，Xbench 后在 2024 年 10 月进行第二次大规模更新，前往「收件箱」查看完整解读