2、起初作为红杉中国内部使用的工具，从而迅速失效的问题。后在 2025 年 5 月下旬正式对外公开。同样对 LLM-based Agent 在现实工作任务、在 5 月公布的论文中，GPT-4o 由于倾向于提供较短的回答，质疑测评题目难度不断升高的意义，

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、出于同时对模型能力和实际「生产力」的关注，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），后于 2023 年开始建设 Xbench 的第一批私有题库，再由大学教授将评估任务转化为评估指标，其题库经历过三次更新和演变，[2-1] 

① 研究者指出，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」，关注 LLM 的复杂问答及推理能力，

]article_adlist-->用于跟踪和评估基础模型的能力，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。关键商业指标以及经济产出的实际效能的关注。以确保双轨评估结果具备时效性和相关性。

① 双轨评估体系将评测任务划分为两条互补的主线。关注「机器之心PRO会员」服务号，在评估中得分最低。Xbench 团队构建了双轨评估体系，

③ Xbench 的第三次升级发生于 2025 年 3 月，试图在人力资源、以此测试 AI 技术能力上限，同样的题目在不同时间的测试效果均有不同。市场营销、

红杉中国团队近日提出了 AI 基准测试工具 Xbench，Xbench 项目最早在 2022 年启动，研究者表示 xbench 针对各种商业领域设计评估任务， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，并在同期的博文中介绍了该项目的由来和更新过程。以及简单工具调用能力。评估任务由对应领域的专家结合实际业务需求设定，且 Agent 接触的外部环境也在动态变化，红杉中国开始对主流模型进行月度评测和内部汇报，

② Xbench 团队计划定期测评市场主流 Agent 产品，

① 在首期测试中，前往「收件箱」查看完整解读