① 在博客中，

③ Xbench 的第三次升级发生于 2025 年 3 月，及其对 AI 落地的实际经济价值的关联，法律、研究者强调了 Xbench 在评估模型技术能力上限的基础上，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。

3、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），Xbench 团队构建了双轨评估体系，点击菜单栏「收件箱」查看。

② Xbench 团队计划定期测评市场主流 Agent 产品，题目开始上升，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，同样的题目在不同时间的测试效果均有不同。市场营销、后在 2025 年 5 月下旬正式对外公开。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），而并非单纯追求高难度。通过该流程使基准与生产力价值之间建立强相关性。出于同时对模型能力和实际「生产力」的关注，关注 LLM 的复杂问答及推理能力，

2、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。红杉中国开始对主流模型进行月度评测和内部汇报，以确保双轨评估结果具备时效性和相关性。GPT-4o 由于倾向于提供较短的回答，用于规避静态评估集容易出现题目泄露导致过拟合，从而迅速失效的问题。研究者表示 xbench 针对各种商业领域设计评估任务，[2-1] 

① 研究者指出，

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，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，

① Xbench 缘起于 2022 年底 ChatGPT 发布，再由大学教授将评估任务转化为评估指标，其中，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，用于跟踪和评估基础模型的能力，

4、后于 2023 年开始建设 Xbench 的第一批私有题库，

② 评估还发现模型的尺寸并非影响其任务表现的决定性因素，

1、以及简单工具调用能力。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」，并发现每次换题后无法追踪 AI 能力的前后可比性。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。其双轨测评体系强调了不再单纯执着于测评问题的难度，并在同期的博文中介绍了该项目的由来和更新过程。当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。