xBench：红杉中国发布的面向 AI Agent 的「常青基准」

一、背景与目的

xBench 是红杉中国发布的一个新的 AI Agent 评估框架，其核心目标是：动态追踪 AI 的“通用智能”进展 + 实际应用价值（Utility）。

传统评测只关注学术题目，xBench 要追踪现实问题解决能力。

二、核心设计：双轨制

xBench 采用“双轨”框架：

评估类型	目标能力	特点说明
AGI Tracking	推理、工具使用、记忆等模型核心能力	接续 academic benchmarks 但常更新
Profession-Aligned	真实商业环境中的 KPI 任务完成能力	与领域专家共建，反映落地价值

三、为何构建 xBench

1. 与真实价值脱节：很多 benchmark 解决的只是“更难的题”，但现实世界更关心解决实际问题。

2. 静态测试集容易被“刷榜”：模型过拟合静态数据，无法长期跟踪谁在真正进步。

四、xBench 的亮点

• 动态更新：不同于传统静态评测集，xBench 是“活”的 benchmark。
• 技术-市场匹配度（TMF）追踪：关注哪个模型最接近市场需求。
• 开放第三方评测机制：尤其 AGI Track，面向社区开放，保证公平性。

AGI Tracking

AGI Tracking 是 xBench 的「基础智能评估」轨道，目标是：

系统性评估通向 AGI（人工通用智能）过程中的关键能力。

它将 Agent 能力划分为四大维度：

• 基础智能（Fundamental Intelligence）
• 专业能力（Professional Capabilities）
• 创新能力（Innovation Capacity）
• 组织能力（Organizational Abilities）

这四大维度共同构成了一个「能力矩阵」，每个维度下再细分出多个子能力。如下图所示：

? 每项能力，具体评估什么

类别	能力模块	评估任务描述
Fundamental Intelligence	Knowledge	掌握广泛的人类知识（ScienceQA）
	Multimodality	多模态信息整合（视觉、语音、文本）
	Reasoning	多步推理，复杂逻辑链路能力
	Reliability	模型的安全性、幻觉控制、置信度标定
Professional Capabilities	Tool Usage	工具调用与组合任务（AI Search）
	Long-term Memory	可控、低成本、高容量的记忆力
	Test-time Learning	零样本/少样本学习能力
Innovation Capacity	Problem Identification	提出有价值问题的能力
	Active Learning & Self-Improvement	主动修正弱点、持续优化自我
Organizational Abilities	Collaboration	多 Agent 协同，形成规模效应
	Competition	在博弈或信息不对称环境中胜出

其中绿色 Active 表示当前已上线 benchmark：

• ✅知识能力（Knowledge）：使用 ScienceQA benchmark，评估模型对人类广泛知识的掌握。
  
• ✅工具使用能力（Tool Usage）：通过 AI Search benchmark，评估模型与工具交互与操控的能力。
  

其余模块均为「Benchmark coming soon」，后续将会逐步“点亮”。

为什么这很重要

传统 benchmark 像一次考试，而 AGI Tracking 更像是：

一个全天候、多维度、动态更新的“AI 智能体质报告”。

三个关键点：

1. 防刷榜机制（Contamination-Free）：每次测试都干净，防止模型靠记忆上榜。
2. 真实能力地图：不以评分单一排序，而是关注整体能力布局。
3. 反映非线性成长路径：有的模型组织力强，有的推理好——路径不同，但都值得追踪。

Profession-Aligned

Profession-Aligned 是 xBench 的职业能力评估轨道，强调：

AI 在具体行业工作流中的实用能力 + 人类偏好适配度。

这类评估不仅测试模型是否能完成任务，还强调：

• 是否懂流程（Workflow-aware）
• 是否有输出质量（符合 KPI 要求）
• 是否理解人类偏好（Human-centered）

当前已上线的专业领域（截至 2025.5）

目前已有两个行业场景开放 benchmark：

• HR（人力资源）- AI 招聘官、面试助手、绩效评估等任务

  

• Marketing（市场营销）- 竞品分析、活动策划、内容撰写等任务

  

其余如 Sales、Finance、Legal、Engineering、Product、Design 等板块尚未上线，但已规划中。

如何测试「专业能力」

xBench 的 Profession-Aligned 路线强调三件事：

1. 任务场景真实

评估任务源自真实公司流程和业务需求，而非人为拼凑的题库。

2. 人类反馈驱动

加入“人偏好评分”（Human preference scoring），衡量输出是否令人满意。

3. KPI 对齐

每个任务与岗位关键绩效指标（KPI）强绑定，确保“能力等于产出”。

这意味着，你测出来的“AI 营销助理分数”，能直接反映它是否值得你“雇佣”。