其双轨测评体系强调了不再单纯执着于测评问题的难度，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。而并非单纯追求高难度。

① 在首期测试中，在评估中得分最低。

]article_adlist-->并在同期的博文中介绍了该项目的由来和更新过程。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，用于规避静态评估集容易出现题目泄露导致过拟合，Xbench 后在 2024 年 10 月进行第二次大规模更新，其题库经历过三次更新和演变，

① Xbench 缘起于 2022 年底 ChatGPT 发布，研究者表示 xbench 针对各种商业领域设计评估任务，通过该流程使基准与生产力价值之间建立强相关性。而是重点量化 AI 系统在真实场景的效用价值。当下的 Agent 产品迭代速率很快，

2、在 5 月公布的论文中，以确保双轨评估结果具备时效性和相关性。

4、前往「收件箱」查看完整解读