红杉中国大动作！发布全新AI基准测试工具xbench，意义几何？

5月26日，红杉中国对外宣布推出一款全新的AI基准测试工具xbench，并发布了一篇解释其工作原理的论文。这一突破性进展标志着自2022年ChatGPT引爆通用人工智能（AGI）赛道以来，投资机构首次主导发布基准测试（Benchmark），给当下火爆的AI投资又加了一把火，在业内也受到广泛关注。

过去两年多，AI Benchmark渐渐成为评估基础大模型和AI Agent（AI 智能体）能力的通用工具，海内外高校、研究机构和AI公司推出了大量不同维度的测试体系。随着基础模型的快速发展和AI Agent进入规模化应用阶段，被广泛使用的基准测试却面临一个日益尖锐的问题：想要真实地反映AI的客观能力正变得越来越困难。

基于以上需求，根据红杉中国的介绍，xbench采用双轨评估体系，构建多维度测评数据集，旨在同时追踪模型的理论能力上限与Agent的实际落地价值。该体系创新性地将评测任务分为两条互补的主线：（1）评估AI系统的能力上限与技术边界；（2）量化AI系统在真实场景的效用价值（Utility Value）。其中，后者需要动态对齐现实世界的应用需求，基于实际工作流程和具体社会角色，为各垂直领域构建具有明确业务价值的测评标准。

此外，值得注意的是，xbench采用长青评估（Evergreen Evaluation）机制，通过持续维护并动态更新测试内容，以确保时效性和相关性。红杉中国将定期测评市场主流Agent产品，跟踪模型能力演进，捕捉Agent产品迭代过程中的关键突破，进而预测下一个Agent应用的技术—市场契合点（TMF，Tech—Market Fit）。作为独立第三方，红杉中国致力于为每类产品设计公允的评估环境，提供客观且可复现的评价结果。

证券时报记者了解到，首期发布的xbench包含两个核心评估集：科学问题解答测评集（xbench—ScienceQA）与中文互联网深度搜索测评集（xbench—DeepSearch），并对该领域主要产品进行了综合排名。同期提出了垂直领域智能体的评测方法论，并构建了面向招聘（Recruitment）和营销（Marketing）领域的垂类Agent评测框架。评测结果和方法论可通过xbench.org网站实时查看。

红杉中国表示：xbench欢迎社区共建。对于基础模型与Agent开发者，可以使用最新版本的xbench评测集来第一时间验证其产品效果，得到内部黑盒评估集得分；对于垂类Agent开发者、相关领域的专业和企业，欢迎与xbench共建与发布特定行业垂类标准的Profession Aligned xbench；对于从事AI评测研究，具有明确研究想法的研究者，希望获取专业标注并长期维护评估更新，xbench可以帮助AI评估研究想法落地并产生长期影响力。

有业内人士分析，红杉中国这一领先的举动，更能凸显出当下投资机构全面拥抱AI的决心，而且在过去两年多的时间里，xbench一直是红杉中国在内部使用的跟踪和评估基础模型能力的工具，将这一“创投行业智能体”工具开源，并不断在探求和推动AI技术上限的过程中寻找商业化落地的机会，给整个行业带来新的变革。

此前有投资人曾表示，目前在美国一级市场，对AI产业链尤其是以AI智能体为代表的AI应用侧的投资占绝对主导地位，而中国市场不同于美国，AI产业生态投资中硬件和软件相对比较平衡，硬件领域的投资相对更符合中国资本市场鼓励的方向，包括以算力生态为代表的进口替代硬件底座、自动驾驶，以及具身智能为代表的各类AI硬件和行业应用等。

而事实上，AI智能体也受到国内很多机构的关注。以红杉为LP的北京某AI垂直方向早期投资机构的负责人就透露，今年AI赛道呈现出大模型从科研模型向产业模型转变，基础的算法算力向实际的应用迈进，AI编程（AI Coding）、AI智能体（AI Agent）和AI硬件将是今年三个爆发的应用点。

中信建投研报称，近期大厂密集更新Agent产品，微软力求通过本地+云端协同构建Agent网络；谷歌基于现有生态打造2C Agent 3P战略；Anthropic则发布Claude 4模型，辅助Agent构建。国内厂商亦同步跟进，金蝶国际打造苍穹Agent平台2.0和五大智能体助力企业AI管理；昆仑万维通过天工超级智能体带来高效办公体验。随着Agent产品加速落地，AI产业持续向上，商业化落地节奏有望加快，Agent产品密集更新，利好有数据、有客户、有场景的软件企业，AI产品有望带动公司ARPU提升和项目单价上升；此外，模型私有化需求增加，利好一体机、超融合和B端服务外包企业。

责编：岳亚楠

校对：高源