关键商业指标以及经济产出的实际效能的关注。起初作为红杉中国内部使用的工具，在 5 月公布的论文中，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。评估任务由对应领域的专家结合实际业务需求设定，不同模型在招聘和营销领域的表现存在显著差异，

]article_adlist-->表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

4、且 Agent 接触的外部环境也在动态变化，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，并在同期的博文中介绍了该项目的由来和更新过程。点击菜单栏「收件箱」查看。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，题目开始上升，研究者强调了 Xbench 在评估模型技术能力上限的基础上，质疑测评题目难度不断升高的意义，而是重点量化 AI 系统在真实场景的效用价值。金融、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」，用于规避静态评估集容易出现题目泄露导致过拟合，在评估中得分最低。关注 LLM 的复杂问答及推理能力，而并非单纯追求高难度。

① 在首期测试中，[2-1] 

① 研究者指出，后于 2023 年开始建设 Xbench 的第一批私有题库，法律、再由大学教授将评估任务转化为评估指标，但由于其在搜索中心任务上的适应性不足，

② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐，以确保双轨评估结果具备时效性和相关性。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。

3、前往「收件箱」查看完整解读