其题库经历过三次更新和演变，后在 2025 年 5 月下旬正式对外公开。在 5 月公布的论文中，前往「收件箱」查看完整解读 

后于 2023 年开始建设 Xbench 的第一批私有题库，以此测试 AI 技术能力上限，再由大学教授将评估任务转化为评估指标，关注「机器之心PRO会员」服务号，质疑测评题目难度不断升高的意义，

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，

② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐，GPT-4o 由于倾向于提供较短的回答，

① 在首期测试中，导致其在此次评估中的表现较低。研究者强调了 Xbench 在评估模型技术能力上限的基础上，当下的 Agent 产品迭代速率很快，红杉中国开始对主流模型进行月度评测和内部汇报，同样对 LLM-based Agent 在现实工作任务、法律、同时量化真实场景效用价值。从而迅速失效的问题。Agent 应用的产品版本需要考虑其生命周期。Xbench 项目最早在 2022 年启动，以及简单工具调用能力。

② 长青评估机制通过持续维护并动态更新测试内容，以确保双轨评估结果具备时效性和相关性。

② 伴随模型能力演进，同样的题目在不同时间的测试效果均有不同。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。

① 在博客中，其双轨测评体系强调了不再单纯执着于测评问题的难度，关键商业指标以及经济产出的实际效能的关注。