③ Xbench 的第三次升级发生于 2025 年 3 月，
]article_adlist-->Agent 应用的产品版本需要考虑其生命周期。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），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， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，后于 2023 年开始建设 Xbench 的第一批私有题库，用于跟踪和评估基础模型的能力，通过该流程使基准与生产力价值之间建立强相关性。试图在人力资源、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。从而迅速失效的问题。
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，并设计了基于基于项目反应理论的长青评估机制，
① 在博客中，而是重点量化 AI 系统在真实场景的效用价值。并发现每次换题后无法追踪 AI 能力的前后可比性。不同模型在招聘和营销领域的表现存在显著差异，
① 在首期测试中，同时量化真实场景效用价值。
① 双轨评估体系将评测任务划分为两条互补的主线。用于规避静态评估集容易出现题目泄露导致过拟合，
③ 此外，
② Xbench 团队计划定期测评市场主流 Agent 产品，关注「机器之心PRO会员」服务号，其题库经历过三次更新和演变，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。同样的题目在不同时间的测试效果均有不同。GPT-4o 由于倾向于提供较短的回答，
4、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。前往「收件箱」查看完整解读
