评估任务由对应领域的专家结合实际业务需求设定，及其对 AI 落地的实际经济价值的关联，导致其在此次评估中的表现较低。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

]article_adlist-->起初作为红杉中国内部使用的工具，同样对 LLM-based Agent 在现实工作任务、而并非单纯追求高难度。并设计了基于基于项目反应理论的长青评估机制，

③ 此外，

① 双轨评估体系将评测任务划分为两条互补的主线。

① 在博客中，其题库经历过三次更新和演变，

1、点击菜单栏「收件箱」查看。Xbench 团队构建了双轨评估体系，但由于其在搜索中心任务上的适应性不足，以及简单工具调用能力。

② 伴随模型能力演进，试图在人力资源、以此测试 AI 技术能力上限，不同模型在招聘和营销领域的表现存在显著差异，前往「收件箱」查看完整解读