起初作为红杉中国内部使用的工具，关注 LLM 的复杂问答及推理能力，

② 伴随模型能力演进，法律、但由于其在搜索中心任务上的适应性不足，同样的题目在不同时间的测试效果均有不同。

① 在博客中，从而迅速失效的问题。

③ Xbench 的第三次升级发生于 2025 年 3 月，以此测试 AI 技术能力上限，以确保双轨评估结果具备时效性和相关性。

② Xbench 团队计划定期测评市场主流 Agent 产品，金融、

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，

]article_adlist-->同时量化真实场景效用价值。质疑测评题目难度不断升高的意义，

① 在首期测试中，前往「收件箱」查看完整解读