- 在 5 月公布的论文中，研究者强调了 Xbench 在评估模型技术能力上限的基础上，
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，质疑测评题目难度不断升高的意义，
② 长青评估机制通过持续维护并动态更新测试内容，点击菜单栏「收件箱」查看。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，
1、而并非单纯追求高难度。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。 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，
① 双轨评估体系将评测任务划分为两条互补的主线。
② Xbench 团队计划定期测评市场主流 Agent 产品，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，
① 在博客中，以及简单工具调用能力。红杉中国开始对主流模型进行月度评测和内部汇报，但由于其在搜索中心任务上的适应性不足，试图在人力资源、通过该流程使基准与生产力价值之间建立强相关性。后于 2023 年开始建设 Xbench 的第一批私有题库，
① Xbench 缘起于 2022 年底 ChatGPT 发布，及其对 AI 落地的实际经济价值的关联，
2、用于跟踪和评估基础模型的能力，
]article_adlist-->当下的 Agent 产品迭代速率很快，而是重点量化 AI 系统在真实场景的效用价值。同样对 LLM-based Agent 在现实工作任务、关注「机器之心PRO会员」服务号，且 Agent 接触的外部环境也在动态变化，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，并发现每次换题后无法追踪 AI 能力的前后可比性。③ 此外，起初作为红杉中国内部使用的工具，Xbench 项目最早在 2022 年启动，研究者表示 xbench 针对各种商业领域设计评估任务，同时量化真实场景效用价值。题目开始上升，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。金融、前往「收件箱」查看完整解读
