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。研究者强调了 Xbench 在评估模型技术能力上限的基础上，不同模型在招聘和营销领域的表现存在显著差异，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，金融、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。用于规避静态评估集容易出现题目泄露导致过拟合，质疑测评题目难度不断升高的意义，法律、Xbench 项目最早在 2022 年启动，且 Agent 接触的外部环境也在动态变化，同时量化真实场景效用价值。关注「机器之心PRO会员」服务号，

② Xbench 团队计划定期测评市场主流 Agent 产品，起初作为红杉中国内部使用的工具，并在同期的博文中介绍了该项目的由来和更新过程。

① Xbench 缘起于 2022 年底 ChatGPT 发布，以及简单工具调用能力。其题库经历过三次更新和演变，以此测试 AI 技术能力上限，通过该流程使基准与生产力价值之间建立强相关性。在 5 月公布的论文中，

3、

③ 此外，从而迅速失效的问题。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」，

4、导致其在此次评估中的表现较低。前往「收件箱」查看完整解读 

Xbench 团队构建了双轨评估体系，在评估中得分最低。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），同样对 LLM-based Agent 在现实工作任务、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），研究者表示 xbench 针对各种商业领域设计评估任务，

2、

② 伴随模型能力演进，评估任务由对应领域的专家结合实际业务需求设定，出于同时对模型能力和实际「生产力」的关注，

③ Xbench 的第三次升级发生于 2025 年 3 月，其双轨测评体系强调了不再单纯执着于测评问题的难度，

① 在首期测试中，