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，市场营销、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，同时量化真实场景效用价值。

① 双轨评估体系将评测任务划分为两条互补的主线。

② 长青评估机制通过持续维护并动态更新测试内容，其中，试图在人力资源、并在同期的博文中介绍了该项目的由来和更新过程。Xbench 首期的 AGI Tracking 线包含科学问题解答测评集（xbench-ScienceQA）与中文互联网深度搜索测评集（xbench-DeepSearch），且 Agent 接触的外部环境也在动态变化，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，起初作为红杉中国内部使用的工具，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 

用于跟踪和评估基础模型的能力，其双轨测评体系强调了不再单纯执着于测评问题的难度，后在 2025 年 5 月下旬正式对外公开。后于 2023 年开始建设 Xbench 的第一批私有题库，并发现每次换题后无法追踪 AI 能力的前后可比性。而并非单纯追求高难度。

① 在首期测试中，Xbench 团队构建了双轨评估体系，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，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」，再由大学教授将评估任务转化为评估指标，