近期，人工智能領(lǐng)域的快速發(fā)展，特別是大型模型的日新月異，給傳統(tǒng)的AI能力評(píng)估方式帶來(lái)了巨大挑戰(zhàn)。為了應(yīng)對(duì)這一挑戰(zhàn)，紅杉中國(guó)在5月26日正式揭曉了其最新研發(fā)的AI基準(zhǔn)測(cè)試工具——xbench。這款工具不僅專注于AI模型的能力評(píng)估，更引入了一項(xiàng)創(chuàng)新的動(dòng)態(tài)更新機(jī)制，確保評(píng)估過(guò)程既有效又公正。iYh28資訊網(wǎng)——每日最新資訊28at.com

xbench的誕生，源于紅杉中國(guó)在ChatGPT發(fā)布后對(duì)通用人工智能（AGI）發(fā)展的持續(xù)關(guān)注。隨著智能體在多個(gè)領(lǐng)域的廣泛應(yīng)用，傳統(tǒng)的靜態(tài)基準(zhǔn)測(cè)試方法逐漸暴露出局限性，難以準(zhǔn)確衡量模型的真實(shí)水平。因此，xbench采用了獨(dú)特的雙軌評(píng)估體系：一方面，通過(guò)構(gòu)建全面的多維度測(cè)評(píng)數(shù)據(jù)集，追蹤并評(píng)估模型的理論能力上限；另一方面，則注重智能體的實(shí)際應(yīng)用價(jià)值，力求實(shí)現(xiàn)對(duì)AI技術(shù)的全面、客觀評(píng)價(jià)。iYh28資訊網(wǎng)——每日最新資訊28at.com

在評(píng)估方法上，xbench采用了長(zhǎng)青評(píng)估機(jī)制，即評(píng)估工具會(huì)根據(jù)技術(shù)的快速迭代進(jìn)行動(dòng)態(tài)更新。這一機(jī)制不僅提升了測(cè)試的可靠性，還有效避免了題庫(kù)泄露等問(wèn)題，確保了評(píng)估的公正性和準(zhǔn)確性。過(guò)去，一些模型因題庫(kù)泄露而被質(zhì)疑“刷榜”，而xbench的推出正是為了從根本上解決這一問(wèn)題。iYh28資訊網(wǎng)——每日最新資訊28at.com

xbench還引入了垂直領(lǐng)域智能體的評(píng)測(cè)方法論，特別是在招聘與營(yíng)銷領(lǐng)域的應(yīng)用。隨著AI智能體的不斷發(fā)展，深度搜索、信息收集和推理分析等能力成為衡量其是否邁向AGI的關(guān)鍵。為此，xbench特別關(guān)注具有思維鏈的多模態(tài)模型在生成商用視頻方面的表現(xiàn)，以及在動(dòng)態(tài)更新的應(yīng)用中，GUI智能體的可信度等關(guān)鍵問(wèn)題。這些評(píng)測(cè)內(nèi)容不僅豐富了xbench的評(píng)估維度，也為其在垂直領(lǐng)域的應(yīng)用提供了有力支持。iYh28資訊網(wǎng)——每日最新資訊28at.com