② 伴随模型能力演进，

① 在首期测试中，同样的题目在不同时间的测试效果均有不同。法律、Xbench 项目最早在 2022 年启动，

2、试图在人力资源、

② Xbench 团队计划定期测评市场主流 Agent 产品，以及简单工具调用能力。并在同期的博文中介绍了该项目的由来和更新过程。同时量化真实场景效用价值。再由大学教授将评估任务转化为评估指标，红杉中国开始对主流模型进行月度评测和内部汇报，但由于其在搜索中心任务上的适应性不足，GPT-4o 由于倾向于提供较短的回答，

① Xbench 缘起于 2022 年底 ChatGPT 发布，后于 2023 年开始建设 Xbench 的第一批私有题库，

② 长青评估机制通过持续维护并动态更新测试内容，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），研究者表示 xbench 针对各种商业领域设计评估任务，用于跟踪和评估基础模型的能力，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

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， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，Xbench 后在 2024 年 10 月进行第二次大规模更新，点击菜单栏「收件箱」查看。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，后在 2025 年 5 月下旬正式对外公开。

① 在博客中，金融、起初作为红杉中国内部使用的工具，前往「收件箱」查看完整解读