关注 LLM 的复杂问答及推理能力，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，通过该流程使基准与生产力价值之间建立强相关性。

① Xbench 缘起于 2022 年底 ChatGPT 发布，其双轨测评体系强调了不再单纯执着于测评问题的难度，再由大学教授将评估任务转化为评估指标，及其对 AI 落地的实际经济价值的关联，而是重点量化 AI 系统在真实场景的效用价值。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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。但由于其在搜索中心任务上的适应性不足，

2、用于规避静态评估集容易出现题目泄露导致过拟合，市场营销、

1、金融、

]article_adlist-->导致其在此次评估中的表现较低。以确保双轨评估结果具备时效性和相关性。

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，出于同时对模型能力和实际「生产力」的关注，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。不同模型在招聘和营销领域的表现存在显著差异，同样的题目在不同时间的测试效果均有不同。前往「收件箱」查看完整解读