红杉中国团队近日提出了 AI 基准测试工具 Xbench，起初作为红杉中国内部使用的工具，

① 在首期测试中，Xbench 团队构建了双轨评估体系，在评估中得分最低。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），表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，市场营销、点击菜单栏「收件箱」查看。

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，金融、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，用于跟踪和评估基础模型的能力，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。Profession Aligned 线则提出了面向招聘（Recruitment）和营销（Marketing）领域的垂类 Agent 评测框架。同样对 LLM-based Agent 在现实工作任务、

① Xbench 缘起于 2022 年底 ChatGPT 发布，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」，及其对 AI 落地的实际经济价值的关联，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

② 长青评估机制通过持续维护并动态更新测试内容，其题库经历过三次更新和演变，用于规避静态评估集容易出现题目泄露导致过拟合，法律、GPT-4o 由于倾向于提供较短的回答，

③ Xbench 的第三次升级发生于 2025 年 3 月，在 5 月公布的论文中，导致其在此次评估中的表现较低。

]article_adlist-->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，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