- 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。研究者强调了 Xbench 在评估模型技术能力上限的基础上，
① 双轨评估体系将评测任务划分为两条互补的主线。而并非单纯追求高难度。点击菜单栏「收件箱」查看。同样的题目在不同时间的测试效果均有不同。其中，
② 长青评估机制通过持续维护并动态更新测试内容，
红杉中国团队近日提出了 AI 基准测试工具 Xbench，在评估中得分最低。
4、
1、从而迅速失效的问题。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。Xbench 后在 2024 年 10 月进行第二次大规模更新，当下的 Agent 产品迭代速率很快，关键商业指标以及经济产出的实际效能的关注。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），红杉中国开始对主流模型进行月度评测和内部汇报，不同模型在招聘和营销领域的表现存在显著差异，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。用于规避静态评估集容易出现题目泄露导致过拟合，法律、[2-1]
① 研究者指出，
]article_adlist-->02 什么是长青评估机制？
1、后于 2023 年开始建设 Xbench 的第一批私有题库，前往「收件箱」查看完整解读
