xbench

xbench是紅杉中國於2025年5月26日發布的開源AI基準測試工具，由紅杉中國聯合卡內基梅隆大學、麻省理工學院等18所高校共同研發，旨在通過雙軌評估體系量化AI系統的能力上限與真實場景效用價值。該工具採用長青評估機制動態更新測試內容，評估結果通過其官方網站實時公開，首期發布科學問題解答測評集（xbench-ScienceQA）與中文網際網路深度搜尋測評集（xbench-DeepSearch）。2025年6月18日，紅杉中國正式開源其AI基準測試工具xbench的兩個評測集xbench-ScienceQA和xbench-DeepSearch。2026年1月12日，xbench與UniPat AI團隊合作，聯合多家大模型公司和高校研究員，發布了新的多模態理解評測集BabyVision。

2023年3月該項目啟動內部研發，2025年5月正式推出並於同年6月18日開源兩個核心評測集，標誌著進入開源套用階段。評測體系涵蓋招聘和行銷領域垂類Agent評估框架，引入項目反應理論構建能力追蹤指數，並通過技術-市場匹配度概念評估AI商業化潛力。工具採用雲原生架構設計，支持多維度評估。在Xbench-DeepResearch等基準測試中，已有第三方開源智慧型體模型展現出優異表現。

基本介紹

• 外文名：xbench
• 所屬公司 ：紅杉中國

評測案例

2026年1月，清華大學自然語言處理實驗室聯合中國人民大學、面壁智慧型及OpenBMB開源社區發布智慧型體模型AgentCPM-Explore，該模型在Xbench-DeepResearch測評中的表現優於OpenAI-o3、Claude-4.5-Sonnet等閉源系統。

發展歷史

2025年6月18日，紅杉中國正式開源其AI基準測試工具xbench的兩個評測集xbench-ScienceQA和xbench-DeepSearch。2026年1月12日，xbench與UniPat AI團隊合作，聯合多家大模型公司和高校研究員，發布了新的多模態理解評測集BabyVision。