当大模型把题库“刷爆”，红杉中国推出一套全新AI基准测试

类似手机时代厂商发布新机需要“跑个分”，如今大模型厂商发布新产品后也会通当大模型把题库“刷爆”，红杉中国推出一套全新AI基准测试过基准测试（Benchmark）跑分对比，但随着基础模型的快速发展和AI Agent（智能体）进入规模化应用阶段，被广泛使用的基准测试开始面临一个日益尖锐的问题：真实反映AI的客观能力变得越来越难。

5月26日，红杉中国宣布推出一款全新的AI基准测试工具xbench，由红杉中国发起，联合国内外十余家高校和研究机构的数十位博士研究生，采用双轨评估体系和长青评估机制。

双轨评估体系是指构建多维度测评数据集，同时追踪模型的理论能力上限与Agent的实际落地价值。长青评估机制是指动态的、持续更新的评估方法。此前行业模型进行榜单成绩对比时，会面临“刷榜”质疑。即静态评估集会出现题目泄露问题，模型反复测试可以将分数“刷”上去。