中国红杉小组最近提出了XBENCH参考测试工具。它的双轨评级系统不仅要痴迷于评估问题，而且还集中于量化现实世界情景中的AI系统中的效用值的困难。内容表01。参考点是否应该集中于AI的“商业特征”？什么是xbench？为什么评估代理产品需要双卡车评级系统？您不能仅出于更困难的问题而设计参考点？ ... 02。常绿评估机制是什么？ CLM和代理产品评论集有什么区别？ IRT如何接受评估系统的动态更新？ ... 03。当前的主要模型如何在“招聘”和“营销”中起作用？ “招聘”和“营销”任务中代理产品的要求是什么？ Xbench如何评估代理商的商业能力？主要的国家和外国模型如何在“新兵”中起作用NT“和“营销”测试？... 01。参考测试是否应该开始关注AI？中国红杉的研究人员最近介绍了Xbench Benchmark的文章，” Xbench，XBench：监视代理商的生产力，对现实世界的专业评估进行规模”，并介绍了该项目的原始和启动的启动。被用作DOCA使用的工具来跟踪和评估基本模型的功能。该问题已经经历了三个更新并进化了，并在2025年5月底正式推出。随着模型的能力的发展，XBench在2024年的第二个重要更新中启动了第二个重要的更新，将其集中在复杂的问题和响应能力上。 RY Xbench发生在2025年3月。在此期间，红杉团队可能与当前模型的功能和AI的真正实用程序有关。我开始思考。我们质疑增加评估问题难度的重要性以及AI实施实施的真实经济价值之间的相关性，并且我们发现在每个问题的更改之后，无法追溯AI能力的比较。 2。在5月发表的一篇文章中，研究人员强调了Xbench对基于LLM的代理在实际工作任务，主要商业指标和经济结果中的实际有效性的关注，基于对模型技术能力上限的评估。在博客博客上的客户中，研究人员说，Xbench为多个业务领域设计了评估任务。该领域的专业人员创建了根据实际商业需求做出响应的评估任务，大学教授将评估任务转换为指标，然后通过此过程建立了参考点和生产率值之间的NG相关性。 Insearts的研究人员还强调，Xbench不仅要寻找很大的困难，而且还可以调整每个公司的实际需求和工作任务的困难。 3。为了关注模型和真正的“生产力”功能，Xbench团队创建了一个双轨评级系统，测试了AI技术能力的上限，并根据项目响应的理论设计了叶片评估机制，该机构量化了实际场景的实用性值。双重双音轨分类系统将评估任务分为两个主要互补线。其中，AGI监测用于评估代理的功能和技术限制。在现实世界中，对齐的教师用于量化AI系统中的效用值。每种常绿评估机制都会不断维护并动态更新测试内容确保双轨评估的结果及时且相关。 4。XBENCH AGI监视线的第一期包括一个评估集（XBENCH-SCIERCEQA），该评估集回答科学问题和详细的搜索评估集（Xbench-Deepsearch），但老师提出了招聘和营销中垂直剂的评估框架。在测试的第一阶段中，不同的模型在采用和营销领域中起着重要作用。最佳性能模型首先位于Operai O3和GPT-4O的所有测试中，因此在分类中获得了最低的评分，因为它倾向于提供较短的答案。 Hapal的评估还发现，模型的大小并不是影响任务执行的关键因素，而Google DeepMind和Gemini-2.5-Flash的Gemini-2.5-Pro在测试中相对执行。此外，研究人员发现，DepSeek R1在数学和代码参考Poin中运作良好TS，但是由于搜索中心任务的适应性不足，因此在此评估中的性能会降低。 02常绿评估机制是什么？ 1。常绿评估机制是LA Xbench Research提出的“不断更新的评估”。导致问题引起问题引起问题引起问题引起问题，导致问题引起问题，导致问题引起问题引起问题，导致问题引起问题引起问题，导致问题导致问题引起问题引起问题引起问题，从而导致问题引起问题，从而导致问题引起问题，从引起问题，导致问题引起问题causing Problems causing Problems Causing Problems Causing Problems CAUSE CAUSING PROB one Problems Causing Problems Cash Problems causing Problems Causeing Problems Causing Problems Causing Problems Causing Problems Causeing Problems Causing Problems Caving Problems Causeing Problems Problems Causeing Problems Problems CAUSING CAUSING PROB one Problems Causing Problems Causing Problems Causing Problems CAUSE CAUSING PROB one Problems Causing Problems Causing Problems Causing Problems CAUSING PROB one Problems CAUSING CAUSING PROB one Problems CAUSING CAUSING PROB one Problems causing causing causing problems causing causing problems引起问题引起问题，引起引起问题引起原因引起原因，导致问题引起问题，从而引起问题，从而引起一个问题，从而引起一个问题，从而引起问题，从而引起一个问题，从而导致出现问题，从而导致一个问题引起问题，从而导致问题引起问题，从而导致一个问题，引起一个问题。g引起问题引起问题引起问题引起问题的问题引起问题，导致现金问题引起问题，导致问题引起问题，导致问题导致问题导致问题导致问题引起问题引起问题，导致问题引起问题，导致问题引起问题，导致问题引起问题，引起问题，引起问题，引起问题，引起问题，引起问题，引起问题，引起问题，引起问题，引起问题，引起问题，探究问题，探究问题，探究问题，探究问题，探究问题，探究问题引起问题引起的问题引起的问题引起问题，引起问题引起问题问题问题问题问题问题问题引起问题，导致问题引起问题，引起问题，引起一个问题，导致问题，导致问题引起问题，导致问题引起问题，引起问题使用问题导致问题引起问题引起问题引起问题引起问题引起概率引起的问题引起概率引起的问题引起的问题引起问题，导致一个问题引起问题，导致一个问题引起问题，导致问题引起问题，导致问题引起问题，导致问题引起问题，导致问题引起问题，导致问题导致问题引起问题，导致问题引起该问题，该问题引起该问题，导致该问题造成该问题的问题，该问题是造成问题的，该问题是造成问题的，该问题是造成问题的。产品应用程序的版本应考虑到生命周期帐户。当前代理的重复速率非常快，并且代理人的触点正在动态变化的外部环境。相同的问题是不同的时间，测试的结果也不同。 xbench团队定期评估市场中的常规代理商，并试图建立动态评估机制，这些机制在人力资源，营销，财务，法律和销售等领域保持一致。