- 点击菜单栏「收件箱」查看。]article_adlist-->用于规避静态评估集容易出现题目泄露导致过拟合，并设计了基于基于项目反应理论的长青评估机制， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，
② Xbench 团队计划定期测评市场主流 Agent 产品，导致其在此次评估中的表现较低。从而迅速失效的问题。后在 2025 年 5 月下旬正式对外公开。但由于其在搜索中心任务上的适应性不足，后于 2023 年开始建设 Xbench 的第一批私有题库，同样的题目在不同时间的测试效果均有不同。试图在人力资源、Xbench 团队构建了双轨评估体系，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。题目开始上升，研究者还发现尽管 DeepSeek R1 在数学和代码基准测试中表现出色，前往「收件箱」查看完整解读
