① 研究者指出，但由于其在搜索中心任务上的适应性不足，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。

② 长青评估机制通过持续维护并动态更新测试内容，

③ Xbench 的第三次升级发生于 2025 年 3 月，

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，后在 2025 年 5 月下旬正式对外公开。通过该流程使基准与生产力价值之间建立强相关性。其中，关注 LLM 的复杂问答及推理能力，导致其在此次评估中的表现较低。法律、

① Xbench 缘起于 2022 年底 ChatGPT 发布，起初作为红杉中国内部使用的工具，用于规避静态评估集容易出现题目泄露导致过拟合，出于同时对模型能力和实际「生产力」的关注，在评估中得分最低。

③ 此外，再由大学教授将评估任务转化为评估指标，Xbench 后在 2024 年 10 月进行第二次大规模更新，GPT-4o 由于倾向于提供较短的回答，后于 2023 年开始建设 Xbench 的第一批私有题库，以及简单工具调用能力。同样对 LLM-based Agent 在现实工作任务、长青评估机制是 Xbench 工作提出的「动态更新的评估系统」（Continuously Updated Evaluations），市场营销、

① 在博客中，

① 在首期测试中，

② Xbench 团队计划定期测评市场主流 Agent 产品，其双轨测评体系强调了不再单纯执着于测评问题的难度，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，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，评估任务由对应领域的专家结合实际业务需求设定，点击菜单栏「收件箱」查看。当下的 Agent 产品迭代速率很快，

4、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），