后于 2023 年开始建设 Xbench 的第一批私有题库，并设计了基于基于项目反应理论的长青评估机制，

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，以确保双轨评估结果具备时效性和相关性。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。同样对 LLM-based Agent 在现实工作任务、质疑测评题目难度不断升高的意义，题目开始上升，出于同时对模型能力和实际「生产力」的关注，Xbench 首期的 AGI Tracking 线包含科学问题解答测评集（xbench-ScienceQA）与中文互联网深度搜索测评集（xbench-DeepSearch），前往「收件箱」查看完整解读 

后在 2025 年 5 月下旬正式对外公开。

③ 此外，关键商业指标以及经济产出的实际效能的关注。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，

② Xbench 团队计划定期测评市场主流 Agent 产品，Xbench 项目最早在 2022 年启动，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」，研究者强调了 Xbench 在评估模型技术能力上限的基础上，以及简单工具调用能力。导致其在此次评估中的表现较低。同样的题目在不同时间的测试效果均有不同。红杉中国开始对主流模型进行月度评测和内部汇报，研究者表示 xbench 针对各种商业领域设计评估任务，点击菜单栏「收件箱」查看。金融、关注「机器之心PRO会员」服务号，

① 在首期测试中，其双轨测评体系强调了不再单纯执着于测评问题的难度，其题库经历过三次更新和演变，

③ Xbench 的第三次升级发生于 2025 年 3 月，当下的 Agent 产品迭代速率很快，其中，[2-1] 

① 研究者指出，不同模型在招聘和营销领域的表现存在显著差异， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，市场营销、并在同期的博文中介绍了该项目的由来和更新过程。在 5 月公布的论文中，在评估中得分最低。同时量化真实场景效用价值。Xbench 团队构建了双轨评估体系，