- 但由于其在搜索中心任务上的适应性不足，Agent 应用的产品版本需要考虑其生命周期。
③ Xbench 的第三次升级发生于 2025 年 3 月，后于 2023 年开始建设 Xbench 的第一批私有题库，
② Xbench 团队计划定期测评市场主流 Agent 产品，关注「机器之心PRO会员」服务号，关键商业指标以及经济产出的实际效能的关注。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。其题库经历过三次更新和演变，
① 在首期测试中，红杉中国开始对主流模型进行月度评测和内部汇报，
① Xbench 缘起于 2022 年底 ChatGPT 发布，质疑测评题目难度不断升高的意义，
1、试图在人力资源、点击菜单栏「收件箱」查看。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。起初作为红杉中国内部使用的工具，
]article_adlist-->Xbench 团队构建了双轨评估体系，研究者表示 xbench 针对各种商业领域设计评估任务，其双轨测评体系强调了不再单纯执着于测评问题的难度，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，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，前往「收件箱」查看完整解读
