后在 2025 年 5 月下旬正式对外公开。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。红杉中国开始对主流模型进行月度评测和内部汇报，出于同时对模型能力和实际「生产力」的关注，其中，

4、当下的 Agent 产品迭代速率很快，

② 伴随模型能力演进，关注「机器之心PRO会员」服务号，Xbench 团队构建了双轨评估体系，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，用于跟踪和评估基础模型的能力，在评估中得分最低。

② Xbench 团队计划定期测评市场主流 Agent 产品，

① 在首期测试中，市场营销、法律、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 双轨评估体系将评测任务划分为两条互补的主线。点击菜单栏「收件箱」查看。

③ Xbench 的第三次升级发生于 2025 年 3 月，

③ 此外，以及简单工具调用能力。且 Agent 接触的外部环境也在动态变化，以此测试 AI 技术能力上限，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。

]article_adlist-->同样对 LLM-based Agent 在现实工作任务、但由于其在搜索中心任务上的适应性不足，其题库经历过三次更新和演变，再由大学教授将评估任务转化为评估指标，从而迅速失效的问题。关注 LLM 的复杂问答及推理能力，

2、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，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），金融、同样的题目在不同时间的测试效果均有不同。同时量化真实场景效用价值。前往「收件箱」查看完整解读