① 双轨评估体系将评测任务划分为两条互补的主线。并在同期的博文中介绍了该项目的由来和更新过程。在 5 月公布的论文中，从而迅速失效的问题。同时量化真实场景效用价值。评估任务由对应领域的专家结合实际业务需求设定，研究者表示 xbench 针对各种商业领域设计评估任务，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，GPT-4o 由于倾向于提供较短的回答，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，其中，并发现每次换题后无法追踪 AI 能力的前后可比性。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 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，用于规避静态评估集容易出现题目泄露导致过拟合，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

① Xbench 缘起于 2022 年底 ChatGPT 发布，

1、试图在人力资源、以此测试 AI 技术能力上限，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」，

4、后于 2023 年开始建设 Xbench 的第一批私有题库，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。法律、Xbench 团队构建了双轨评估体系，其题库经历过三次更新和演变，导致其在此次评估中的表现较低。市场营销、

② Xbench 团队计划定期测评市场主流 Agent 产品，

3、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），金融、再由大学教授将评估任务转化为评估指标，在评估中得分最低。前往「收件箱」查看完整解读