① 在首期测试中，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），[2-1] 

① 研究者指出，

4、

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，并在同期的博文中介绍了该项目的由来和更新过程。及其对 AI 落地的实际经济价值的关联，

3、同样对 LLM-based Agent 在现实工作任务、关键商业指标以及经济产出的实际效能的关注。质疑测评题目难度不断升高的意义，

① 在博客中，后在 2025 年 5 月下旬正式对外公开。

① Xbench 缘起于 2022 年底 ChatGPT 发布，在 5 月公布的论文中，

② 伴随模型能力演进，导致其在此次评估中的表现较低。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），金融、前往「收件箱」查看完整解读