Xbench双轨评估体系解析
Xbench 基准测试工具的结构化梳理
01. 项目背景与演变
1.1 项目启动：2022年底由红杉中国内部发起，用于跟踪基础模型能力，2025年5月对外公开。
1.2 题库迭代：
• 2023年：聚焦LLM基础问答和逻辑能力。
• 2024年10月：升级为复杂推理及工具调用测评。
• 2025年3月：转向评估AI实际经济价值，质疑单纯难度提升的意义。
02. 核心设计理念
2.1 双轨评估体系：
• AGI Tracking：测试技术上限（如科学问答、深度搜索）。
• Profession Aligned：量化商业场景效能（如招聘、营销）。
2.2 长青评估机制：动态更新题目，避免静态集过时，确保结果时效性。
03. 评估
