紅杉中國推出全新AI基準(zhǔn)測試xbench，要在AI下半場定義“好問題”

夢晨 2025-05-26 17:15:26 來源：量子位

隨著基礎(chǔ)模型的快速發(fā)展和AI Agent進入規(guī)模化應(yīng)用，被廣泛用于評估AI能力的基準(zhǔn)測試（Benchmark）卻面臨一個日益尖銳的問題：想要真實反映AI系統(tǒng)的客觀能力正變得越來越困難，這其中最直接的表現(xiàn)——基礎(chǔ)模型“刷爆”了市面上的基準(zhǔn)測試題庫，紛紛在各大測試榜單上斬獲高分甚至滿分。

因此，構(gòu)建一個更加科學(xué)、長效和反映AI客觀能力的評測體系，正在成為指引AI技術(shù)突破與產(chǎn)品迭代的重要需求。

5月26日，紅杉中國宣布推出全新的AI基準(zhǔn)測試xbench，并發(fā)布論文《xbench: Tracking Agents Productivity, Scaling with Profession-Aligned Real-World Evaluations》。這是首個由投資機構(gòu)發(fā)起，聯(lián)合國內(nèi)外十余家頂尖高校和研究機構(gòu)的數(shù)十位博士研究生，采用雙軌評估體系和長青評估機制的AI基準(zhǔn)測試。xbench將在評估和推動AI系統(tǒng)能力提升上限與技術(shù)邊界的同時，重點量化AI系統(tǒng)在真實場景的效用價值，并長期捕捉Agent產(chǎn)品的關(guān)鍵突破。

xbench基準(zhǔn)測試的特點包括：

xbench采用雙軌評估體系，構(gòu)建多維度測評數(shù)據(jù)集，旨在同時追蹤模型的理論能力上限與Agent的實際落地價值。該體系創(chuàng)新性地將評測任務(wù)分為兩條互補的主線：（1）評估AI 系統(tǒng)的能力上限與技術(shù)邊界；（2）量化AI 系統(tǒng)在真實場景的效用價值（Utility Value）。其中，后者需要動態(tài)對齊現(xiàn)實世界的應(yīng)用需求，基于實際工作流程和具體社會角色，為各垂直領(lǐng)域構(gòu)建具有明確業(yè)務(wù)價值的測評標(biāo)準(zhǔn)。

xbench 采用長青評估 （Evergreen Evalution）機制，通過持續(xù)維護并動態(tài)更新測試內(nèi)容 ，以確保時效性和相關(guān)性。xbench將定期測評市場主流Agent產(chǎn)品，跟蹤模型能力演進，捕捉 Agent產(chǎn)品迭代過程中的關(guān)鍵突破，進而預(yù)測下一個Agent 應(yīng)用的技術(shù)-市場契合點（TMF，Tech-Market Fit)。作為獨立第三方，xbench致力于為每類產(chǎn)品設(shè)計公允的評估環(huán)境，提供客觀且可復(fù)現(xiàn)的評價結(jié)果。

首期發(fā)布包含兩個核心評估集：科學(xué)問題解答測評集（xbench-ScienceQA）與中文互聯(lián)網(wǎng)深度搜索測評集（xbench-DeepSearch），并對該領(lǐng)域主要產(chǎn)品進行了綜合排名。同期提出了垂直領(lǐng)域智能體的評測方法論，并構(gòu)建了面向招聘（Recruitment）和營銷（Marketing）領(lǐng)域的垂類 Agent評測框架。

在過去兩年多的時間里，xbench一直是紅杉中國在內(nèi)部使用的跟蹤和評估基礎(chǔ)模型能力的工具，今天紅杉將其公開并貢獻給整個AI社區(qū)。無論是基礎(chǔ)模型和Agent的開發(fā)者， 還是相關(guān)領(lǐng)域的專家和企業(yè)，或者是對AI評測具有濃厚興趣的研究者，xbench都歡迎加入，成為使用并完善xbench的一份子，一起打造評估AI能力的新范式。

xbench最早是紅杉中國在2022年ChatGPT推出后，對AGI進程和主流模型進行的內(nèi)部月評與匯報。在建設(shè)和不斷升級“私有題庫”的過程中，紅杉中國發(fā)現(xiàn)主流模型“刷爆”題目的速度越來越快，基準(zhǔn)測試的有效時間在急劇縮短。正是由于這一顯著變化，紅杉中國對現(xiàn)有評估方式產(chǎn)生了質(zhì)疑——

“當(dāng)大家紛紛考滿分的時候，到底是學(xué)生變聰明了，還是卷子出了問題？”

因此，紅杉中國開始思考并準(zhǔn)備解決兩個核心問題：
1）模型能力和AI實際效用之間的關(guān)系？基準(zhǔn)測試的題目越出越難，意義是什么？是否落入了慣性思維？AI落地的實際經(jīng)濟價值真的會和AI做難題呈正相關(guān)嗎？
2) 不同時間維度上的能力比較：在xbench每一次更換題庫之后，我們就失去了對AI能力的前后可比性追蹤。因為在新的題庫下，模型版本也在迭代，無法比較不同時間維度上單個模型的能力如何變化。在判斷創(chuàng)業(yè)項目的時候，創(chuàng)業(yè)者的“成長斜率”是一個重要依據(jù)，但在評估AI能力上，題庫的不斷更新卻反而讓判斷失效。

為了解決這兩個問題，xbench給出了新的解題思路：
1) 打破慣性思維，為現(xiàn)實世界的實用性開發(fā)新穎的任務(wù)設(shè)置和評估方式。
當(dāng)AI進入“下半場”，不僅需要越來越難的AI Search能力的測試基準(zhǔn)（AI Capabilities Evals），也需要一套對齊現(xiàn)實世界專家的實用性任務(wù)體系（Utility Tasks）。前者考察的是能力邊界，呈現(xiàn)形式是score，而后者考察的實用性任務(wù)和環(huán)境多樣性，商業(yè)KPIs（Conversion Rate, Closing Rate）和直接的經(jīng)濟產(chǎn)出。
因此，xbench引入了Profession Aligned的基準(zhǔn)概念，接下來的評估會使用“雙軌制”，分為AGI Tracking和Profession Aligned，AI將面臨更多復(fù)雜環(huán)境下效用的考察，從業(yè)務(wù)中收集的動態(tài)題集，而不單是更難的智力題。

2）建立長青評估體系。靜態(tài)評估集一旦面世，會出現(xiàn)題目泄露導(dǎo)致過擬合然后迅速失效的問題，我們將維護一個動態(tài)更新的題目擴充評估集來緩解這一現(xiàn)象。
針對AI Capacity Evals：學(xué)術(shù)界提出了很多出色的方法論，但是受限于資源與時間不充分，無法維護成動態(tài)擴充的持續(xù)評估。xbench希望能延續(xù)一系列公開評估集的方法，并提供第三方、黑白盒、Live的評測。
針對Profession Aligned Evals：xbench希望建立從真實業(yè)務(wù)中Live收集機制，邀請各行業(yè)的職業(yè)專家共同構(gòu)建和維護行業(yè)的動態(tài)評估集。
同時，在動態(tài)更新的基礎(chǔ)上，xbench設(shè)計可橫向?qū)Ρ鹊哪芰χ笜?biāo)，用于在時間上觀察到排名之外發(fā)展速度與關(guān)鍵突破的信號，幫助判斷某個模型是否達到市場可落地閾值，以及在什么時間點上，Agent可以接管已有的業(yè)務(wù)流程，提供規(guī)?；?wù)。

在xbench推出當(dāng)天，官網(wǎng)xbench.org上線了首期針對主流基礎(chǔ)模型和Agent的測評結(jié)果。

紅杉中國表示：xbench歡迎社區(qū)共建。對于基礎(chǔ)模型與Agent開發(fā)者，可以使用最新版本的xbench評測集來第一時間驗證其產(chǎn)品效果，得到內(nèi)部黑盒評估集得分；對于垂類Agent開發(fā)者、相關(guān)領(lǐng)域的專業(yè)和企業(yè)，歡迎與xbench共建與發(fā)布特定行業(yè)垂類標(biāo)準(zhǔn)的Profession Aligned xbench；對于從事AI評測研究，具有明確研究想法的研究者，希望獲取專業(yè)標(biāo)注并長期維護評估更新，xbench可以幫助AI評估研究想法落地并產(chǎn)生長期影響力。