③ 此外，

1、在评估中得分最低。Xbench 项目最早在 2022 年启动，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，

① 双轨评估体系将评测任务划分为两条互补的主线。前往「收件箱」查看完整解读 

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，评估任务由对应领域的专家结合实际业务需求设定，通过该流程使基准与生产力价值之间建立强相关性。