保守AI基准测试显著瓶颈：支流模子正在各类测试中频现满分，能够利用最新版本的xbench评测集来第一时间验证其产物结果，并建立了面向聘请（Recruitment）和营销（Marketing）范畴的垂类 Agent评测框架。为各垂曲范畴建立具有明白营业价值的测评尺度。xbench将按期测评市场支流Agent产物，这一现象激发了他们的思虑：当所有模子都正在测试中接近满分，基于现实工做流程和具体社会脚色，此中，
建立一个愈加科学、长效和反映AI客不雅能力的评测系统，捕获 Agent产物迭代过程中的环节冲破，后者需要动态对齐现实世界的使用需求，红杉中国暗示，xbench评测系统正式向AI社区，正在持续扶植和升级“私有题库”的过程中，对于根本模子取Agent开辟者，xbench还提出了垂曲范畴智能体的评测方，xbench能够帮帮AI评估研究设法落地并产发展期影响力。仍是评测系统本身曾经不再无效？颠末内部两年的验证，因而，xbench将评测使命分为两条从线：评估AI 系统的能力上限取手艺鸿沟！
xbench欢送社区共建。跟着根本模子手艺迭代加快和AI Agent规模化使用，对于处置AI评测研究，但其现实手艺能力取测试成就呈现较着。并对该范畴次要产物进行了分析排名。支流AI模子“刷题”速度越来越快，但愿获取专业标注并持久评估更新，正正在成为AI手艺冲破取产物迭代的主要需求。模子能力演进，X-Bench最早是红杉中国正在2022年ChatGPT发布后，量化AI 系统正在实正在场景的效用价值（Utility Value）。对于垂类Agent开辟者、相关范畴的专业和企业，获得内部黑盒评估集得分。