开源动态8

红杉中国首发xbench评测工具

新智元2025-05-26

AI 摘要

红杉中国推出xbench：用双轨评估和长青机制，追踪模型理论上限与实际价值。首期有两评估集并排名，还构建垂类评测框架，解决现有评估难题，推动AI评估发展。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

DeepSeek-V4-Pro正式版发布，Agent能力跃升

8月13日晚，DeepSeek-V4-Pro-0813正式版发布。此次升级将Agent维度提升至无短板的第一梯队，具备1M+384K长任务能力，接口双兼容，技术创新多。还公布评测对比、价格并发设定，给出实战代码案例与启示。

前阿里Qwen负责人林俊旸创办Pragmatik Labs/语用科技，研究跨数字与物理世界的下一代agent。红杉中国、高榕创投领投，腾讯等跟投。其目标是用agent实现终极生产力，有独特技术底色与愿景。

红杉中国 xbench 发布 AgentIF - OneDay 评测体系，用于评估大模型解决复杂任务的能力。该体系从任务复杂度新视角出发，沿 Scaling Context 和 Scaling Domain 推进，构造了三类典型任务进行测评，揭示了主流 Agent 的能力边界。

红杉中国团队提出AI基准测试工具Xbench，其双轨测评体系不再单纯执着于测评问题难度，重点量化AI系统在真实场景的效用价值，还构建长青评估机制，以确保评估结果的时效性和相关性。