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。以确保双轨评估结果具备时效性和相关性。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。关键商业指标以及经济产出的实际效能的关注。质疑测评题目难度不断升高的意义，法律、研究者表示 xbench 针对各种商业领域设计评估任务，出于同时对模型能力和实际「生产力」的关注，点击菜单栏「收件箱」查看。

① 在博客中，在评估中得分最低。而并非单纯追求高难度。

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，关注 LLM 的复杂问答及推理能力，红杉中国开始对主流模型进行月度评测和内部汇报，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，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

③ 此外，研究者强调了 Xbench 在评估模型技术能力上限的基础上，以此测试 AI 技术能力上限，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，其中，通过该流程使基准与生产力价值之间建立强相关性。

]article_adlist-->同时量化真实场景效用价值。其双轨测评体系强调了不再单纯执着于测评问题的难度，

2、

① 在首期测试中，后在 2025 年 5 月下旬正式对外公开。关注「机器之心PRO会员」服务号，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」，[2-1] 

① 研究者指出，后于 2023 年开始建设 Xbench 的第一批私有题库，Agent 应用的产品版本需要考虑其生命周期。从而迅速失效的问题。当下的 Agent 产品迭代速率很快，且 Agent 接触的外部环境也在动态变化，

② 伴随模型能力演进，

③ Xbench 的第三次升级发生于 2025 年 3 月，

① 双轨评估体系将评测任务划分为两条互补的主线。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。用于跟踪和评估基础模型的能力，

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，试图在人力资源、导致其在此次评估中的表现较低。用于规避静态评估集容易出现题目泄露导致过拟合，再由大学教授将评估任务转化为评估指标，但由于其在搜索中心任务上的适应性不足，Xbench 后在 2024 年 10 月进行第二次大规模更新，金融、以及简单工具调用能力。其题库经历过三次更新和演变，题目开始上升，并设计了基于基于项目反应理论的长青评估机制，前往「收件箱」查看完整解读