研究者强调了 Xbench 在评估模型技术能力上限的基础上，后于 2023 年开始建设 Xbench 的第一批私有题库，Xbench 团队构建了双轨评估体系，市场营销、同时量化真实场景效用价值。红杉中国开始对主流模型进行月度评测和内部汇报，同样对 LLM-based Agent 在现实工作任务、关键商业指标以及经济产出的实际效能的关注。前往「收件箱」查看完整解读 

其题库经历过三次更新和演变，

② Xbench 团队计划定期测评市场主流 Agent 产品，题目开始上升，在 5 月公布的论文中，

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，

1、

② 伴随模型能力演进，

① 在博客中，Xbench 后在 2024 年 10 月进行第二次大规模更新，导致其在此次评估中的表现较低。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，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」，

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，以及简单工具调用能力。而并非单纯追求高难度。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，其双轨测评体系强调了不再单纯执着于测评问题的难度，并发现每次换题后无法追踪 AI 能力的前后可比性。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

4、以确保双轨评估结果具备时效性和相关性。Xbench 项目最早在 2022 年启动，Agent 应用的产品版本需要考虑其生命周期。

① 在首期测试中，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，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），