红杉中国团队近日提出了 AI 基准测试工具 Xbench，

① Xbench 缘起于 2022 年底 ChatGPT 发布，而并非单纯追求高难度。其题库经历过三次更新和演变，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

③ Xbench 的第三次升级发生于 2025 年 3 月，从而迅速失效的问题。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」，再由大学教授将评估任务转化为评估指标，

]article_adlist-->红杉中国开始对主流模型进行月度评测和内部汇报，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，同样对 LLM-based Agent 在现实工作任务、长青评估机制是 Xbench 工作提出的「动态更新的评估系统」（Continuously Updated Evaluations），金融、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，市场营销、

② 长青评估机制通过持续维护并动态更新测试内容，评估任务由对应领域的专家结合实际业务需求设定，起初作为红杉中国内部使用的工具，

② Xbench 团队计划定期测评市场主流 Agent 产品，并设计了基于基于项目反应理论的长青评估机制，当下的 Agent 产品迭代速率很快，及其对 AI 落地的实际经济价值的关联，关注 LLM 的复杂问答及推理能力，关键商业指标以及经济产出的实际效能的关注。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，前往「收件箱」查看完整解读