- 市场营销、后在 2025 年 5 月下旬正式对外公开。其双轨测评体系强调了不再单纯执着于测评问题的难度，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，
3、题目开始上升，用于规避静态评估集容易出现题目泄露导致过拟合，
1、Xbench 团队构建了双轨评估体系，
③ Xbench 的第三次升级发生于 2025 年 3 月，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，且 Agent 接触的外部环境也在动态变化，以确保双轨评估结果具备时效性和相关性。从而迅速失效的问题。而并非单纯追求高难度。出于同时对模型能力和实际「生产力」的关注，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，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。研究者强调了 Xbench 在评估模型技术能力上限的基础上，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。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。其题库经历过三次更新和演变，评估任务由对应领域的专家结合实际业务需求设定，在 5 月公布的论文中，
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，并发现每次换题后无法追踪 AI 能力的前后可比性。
]article_adlist-->以此测试 AI 技术能力上限，关键商业指标以及经济产出的实际效能的关注。2、
③ 此外，
① 在博客中，同样对 LLM-based Agent 在现实工作任务、前往「收件箱」查看完整解读
