🎯 情报来源：Artificial intelligence – MIT Technology Review
红杉资本（HongShan Capital Group）本周开源了其开发的AI模型评估基准Xbench部分问题集，并发布主流模型测试排行榜。Xbench通过学术测试和实际任务评估模型能力，旨在解决传统基准测试难以区分模型是真正推理还是简单复述训练数据的问题。
核心要点：
- Xbench包含Xbench-ScienceQA和Xbench-DeepResearch两部分，分别评估模型学术能力和中文网络研究能力
- ChatGPT-o3在所有测试类别中排名第一，字节跳动豆包、Gemini 2.5 Pro和Grok表现良好
- 测试问题由研究生设计、教授复核，强调答案推理过程而不仅是正确性
- 团队承诺每季度更新问题集，并保持半公开数据集
- 实际任务评估已覆盖招聘和营销领域，金融、法律等类别即将推出
📌 情报分析
技术价值：高
Xbench创新性地结合学术测试和实际任务评估，特别是Xbench-DeepResearch对中文网络研究能力的测试填补了市场空白。其强调推理过程和事实一致性的评分标准更具参考价值。
商业价值：高
作为投资机构的内部工具转化而来，Xbench直接服务于模型投资决策。测试覆盖的招聘、营销等实际场景对B端用户有直接参考价值，33%的模型在边界城市问题上的低正确率显示了其区分度。
趋势预测：
3-6个月内，随着更多专业领域（金融、法律等）测试的开放，Xbench可能成为中文AI模型评估的重要标准。半公开数据集的维护方式有助于保持测试的时效性和公平性。