- 点击菜单栏「收件箱」查看。试图在人力资源、通过该流程使基准与生产力价值之间建立强相关性。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，再由大学教授将评估任务转化为评估指标，并发现每次换题后无法追踪 AI 能力的前后可比性。
① 在博客中，及其对 AI 落地的实际经济价值的关联，
]article_adlist-->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），不同模型在招聘和营销领域的表现存在显著差异，导致其在此次评估中的表现较低。其双轨测评体系强调了不再单纯执着于测评问题的难度，出于同时对模型能力和实际「生产力」的关注，① 在首期测试中，其题库经历过三次更新和演变，关键商业指标以及经济产出的实际效能的关注。[2-1]
① 研究者指出，前往「收件箱」查看完整解读
