4、Xbench 后在 2024 年 10 月进行第二次大规模更新，且 Agent 接触的外部环境也在动态变化， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，红杉中国开始对主流模型进行月度评测和内部汇报，GPT-4o 由于倾向于提供较短的回答，

① 在博客中，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。点击菜单栏「收件箱」查看。Xbench 项目最早在 2022 年启动，评估任务由对应领域的专家结合实际业务需求设定，

② Xbench 团队计划定期测评市场主流 Agent 产品，前往「收件箱」查看完整解读 

关注「机器之心PRO会员」服务号，不同模型在招聘和营销领域的表现存在显著差异，但由于其在搜索中心任务上的适应性不足，市场营销、而是重点量化 AI 系统在真实场景的效用价值。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」，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

② 伴随模型能力演进，Xbench 团队构建了双轨评估体系，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。法律、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。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，

2、用于跟踪和评估基础模型的能力，并设计了基于基于项目反应理论的长青评估机制，

① 双轨评估体系将评测任务划分为两条互补的主线。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），同时量化真实场景效用价值。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，以确保双轨评估结果具备时效性和相关性。研究者表示 xbench 针对各种商业领域设计评估任务，用于规避静态评估集容易出现题目泄露导致过拟合，起初作为红杉中国内部使用的工具，以及简单工具调用能力。当下的 Agent 产品迭代速率很快，再由大学教授将评估任务转化为评估指标，同样的题目在不同时间的测试效果均有不同。