// 01 xbench 是什么
xbench是由红杉中国于 2025 年 5 月 26 日正式发布的一款全新的 AI 基准测试工具，旨在通过科学、长效的评测体系，真实反映 AI 系统在理论能力与实际应用中的表现。
🔍 核心特点
1. 双轨评估体系
xbench创新性地将评测任务分为两条互补的主线：
能力上限评估：评估 AI 系统的理论能力上限与技术边界。
实际效用评估：量化 AI 系统在真实场景中的效用价值，基于实际工作流程和具体社会角色，为各垂直领域构建具有明确业务价值的测评标准。
这种双轨评估体系旨在同时追踪模型的理论能力上限与 Agent 的实际落地价值。
2. 长青评估机制（Evergreen Evaluation）
为了应对 AI 模型快速演进带来的挑战，xbench采用长青评估机制，通过持续维护并动态更新测试内容，以确保评估的时效性和相关性。这一机制有助于捕捉 Agent 产品迭代过程中的关键突破，进而预测下一个 Agent 应用的技术-市场契合点（TMF，Tech-Market Fit）。
3. 多维度测评数据集
xbench构建了多维度测评数据集，首期发布包含两个核心评估集：
xbench-ScienceQA：科学问题解答测评集，测试学科知识和推理能力。
xbench-DeepSearch：中文互联网深度搜索测评集，考察深度搜索能力。
此外，xbench还提出了垂直领域智能体的评测方法论，并构建了面向招聘（Recruitment）和营销（Marketing）领域的垂类 Agent 评测框架。
📊 应用价值
xbench的推出，不仅为 AI 智能体的评估建立了新标准，也为行业提供了一套可持续发展的评估工具，以应对未来 AI 技术的不断演进。通过科学、长效的评测体系，xbench 有助于推动 AI 技术突破与产品迭代，提升 AI 系统在真实场景中的效用价值。
🔗 了解更多
官方网站：xbench.org
论文地址：xbench: Tracking Agents Productivity, Scaling with Profession-Aligned Real-world Evaluations
xbench的发布标志着红杉中国在 AI Agent 赛道完成了从投资人到技术权威的定位转型，体现出其在 AI 领域的宏大产业愿景。作为全球首家由投资机构定义的 AI 基准测试工具，xbench 将为 AI 社区提供一个开放、透明、可持续的评估平台，推动 AI 技术的健康发展。
// 02 核心 功能
- 核心定位红杉中国于 2025 年 5 月 26 日正式发布的一款全新的 AI 基准测试工具，旨在通过科学、长效的评测体系，真实反映 AI 系统在理论能力与实际应用中的表现。
- 分类索引当前归档在 最近收录AI，方便和同频工具横向比较。
- 能力标签标签信息还在补全中，后续会继续增强能力维度。
- 使用入口已记录可访问入口，可通过本页主按钮跳转。
// 03 使用 场景
- 快速判断是否适合当前任务结合 最近收录AI 定位和 相关能力 标签，先判断它是否匹配你的工作流。
- 横向比较同类工具从相同分类和标签继续探索替代工具，减少只看单个产品带来的选择偏差。
- 沉淀工具选型资料把官网入口、平台、版本和 NavXD 标签合并成一页，适合做选型记录或团队分享。
