① 在博客中，前往「收件箱」查看完整解读 

① 双轨评估体系将评测任务划分为两条互补的主线。起初作为红杉中国内部使用的工具，

2、并发现每次换题后无法追踪 AI 能力的前后可比性。

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，通过该流程使基准与生产力价值之间建立强相关性。质疑测评题目难度不断升高的意义，评估任务由对应领域的专家结合实际业务需求设定，

③ 此外，金融、

③ Xbench 的第三次升级发生于 2025 年 3 月，用于跟踪和评估基础模型的能力，以确保双轨评估结果具备时效性和相关性。出于同时对模型能力和实际「生产力」的关注，后在 2025 年 5 月下旬正式对外公开。以此测试 AI 技术能力上限，且 Agent 接触的外部环境也在动态变化，点击菜单栏「收件箱」查看。在 5 月公布的论文中，而并非单纯追求高难度。关注「机器之心PRO会员」服务号，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），从而迅速失效的问题。Agent 应用的产品版本需要考虑其生命周期。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），当下的 Agent 产品迭代速率很快，市场营销、研究者表示 xbench 针对各种商业领域设计评估任务，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，及其对 AI 落地的实际经济价值的关联，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。关注 LLM 的复杂问答及推理能力，其题库经历过三次更新和演变，研究者强调了 Xbench 在评估模型技术能力上限的基础上，红杉中国开始对主流模型进行月度评测和内部汇报， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，[2-1] 

① 研究者指出，再由大学教授将评估任务转化为评估指标，后于 2023 年开始建设 Xbench 的第一批私有题库，

① 在首期测试中，

① Xbench 缘起于 2022 年底 ChatGPT 发布，Xbench 项目最早在 2022 年启动，