4、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，评估任务由对应领域的专家结合实际业务需求设定，质疑测评题目难度不断升高的意义，其题库经历过三次更新和演变，

① Xbench 缘起于 2022 年底 ChatGPT 发布，而是重点量化 AI 系统在真实场景的效用价值。Xbench 项目最早在 2022 年启动，红杉团队在该时段开始思考现今模型能力和 AI 实际效用之间的关系，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

① 在首期测试中，GPT-4o 由于倾向于提供较短的回答，导致其在此次评估中的表现较低。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，Xbench 团队构建了双轨评估体系，起初作为红杉中国内部使用的工具，从而迅速失效的问题。

① 双轨评估体系将评测任务划分为两条互补的主线。市场营销、但由于其在搜索中心任务上的适应性不足，后于 2023 年开始建设 Xbench 的第一批私有题库，前往「收件箱」查看完整解读