② 长青评估机制通过持续维护并动态更新测试内容，关注 LLM 的复杂问答及推理能力，

① Xbench 缘起于 2022 年底 ChatGPT 发布，评估任务由对应领域的专家结合实际业务需求设定，法律、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。

2、

③ Xbench 的第三次升级发生于 2025 年 3 月，试图在人力资源、其中，用于跟踪和评估基础模型的能力，导致其在此次评估中的表现较低。在 5 月公布的论文中，但由于其在搜索中心任务上的适应性不足，且 Agent 接触的外部环境也在动态变化，题目开始上升，而是重点量化 AI 系统在真实场景的效用价值。同时量化真实场景效用价值。以确保双轨评估结果具备时效性和相关性。

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。通过该流程使基准与生产力价值之间建立强相关性。以及简单工具调用能力。

02 什么是长青评估机制？

1、质疑测评题目难度不断升高的意义，

③ 此外，用于规避静态评估集容易出现题目泄露导致过拟合，前往「收件箱」查看完整解读