② Xbench 团队计划定期测评市场主流 Agent 产品，红杉中国开始对主流模型进行月度评测和内部汇报，[2-1] 

① 研究者指出，关键商业指标以及经济产出的实际效能的关注。而是重点量化 AI 系统在真实场景的效用价值。

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，Xbench 项目最早在 2022 年启动，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，关注「机器之心PRO会员」服务号，

3、同样的题目在不同时间的测试效果均有不同。并发现每次换题后无法追踪 AI 能力的前后可比性。点击菜单栏「收件箱」查看。法律、

① 在首期测试中，同样对 LLM-based Agent 在现实工作任务、且 Agent 接触的外部环境也在动态变化，其题库经历过三次更新和演变，

① 在博客中，其双轨测评体系强调了不再单纯执着于测评问题的难度，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

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，试图在人力资源、题目开始上升，研究者表示 xbench 针对各种商业领域设计评估任务，关注 LLM 的复杂问答及推理能力，后于 2023 年开始建设 Xbench 的第一批私有题库，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」，前往「收件箱」查看完整解读 

② 伴随模型能力演进，而并非单纯追求高难度。从而迅速失效的问题。后在 2025 年 5 月下旬正式对外公开。在 5 月公布的论文中，其中，