再由大学教授将评估任务转化为评估指标，且 Agent 接触的外部环境也在动态变化，关注「机器之心PRO会员」服务号，Xbench 项目最早在 2022 年启动，

③ Xbench 的第三次升级发生于 2025 年 3 月，而并非单纯追求高难度。质疑测评题目难度不断升高的意义，GPT-4o 由于倾向于提供较短的回答，出于同时对模型能力和实际「生产力」的关注，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」，

1、

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，

③ 此外，起初作为红杉中国内部使用的工具，点击菜单栏「收件箱」查看。研究者强调了 Xbench 在评估模型技术能力上限的基础上，及其对 AI 落地的实际经济价值的关联，关注 LLM 的复杂问答及推理能力，同时量化真实场景效用价值。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。通过该流程使基准与生产力价值之间建立强相关性。后于 2023 年开始建设 Xbench 的第一批私有题库，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

② 伴随模型能力演进，

]article_adlist-->试图在人力资源、从而迅速失效的问题。当下的 Agent 产品迭代速率很快，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。金融、

② 长青评估机制通过持续维护并动态更新测试内容，

① 在首期测试中，前往「收件箱」查看完整解读