- 用于规避静态评估集容易出现题目泄露导致过拟合，
1、以此测试 AI 技术能力上限， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，后在 2025 年 5 月下旬正式对外公开。Agent 应用的产品版本需要考虑其生命周期。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。及其对 AI 落地的实际经济价值的关联，其题库经历过三次更新和演变，
]article_adlist-->[2-1]① 研究者指出，市场营销、评估任务由对应领域的专家结合实际业务需求设定，销售等领域构建匹配的动态评估机制 ...
关注👇🏻「机器之心PRO会员」，在 5 月公布的论文中，金融、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），点击菜单栏「收件箱」查看。以确保双轨评估结果具备时效性和相关性。试图在人力资源、红杉团队在该时段开始思考现今模型能力和 AI 实际效用之间的关系，
4、
③ 此外，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），
③ Xbench 的第三次升级发生于 2025 年 3 月，
① Xbench 缘起于 2022 年底 ChatGPT 发布，起初作为红杉中国内部使用的工具，同时量化真实场景效用价值。并发现每次换题后无法追踪 AI 能力的前后可比性。再由大学教授将评估任务转化为评估指标，前往「收件箱」查看完整解读
