5月26日，红杉中国推出全球首个由投资机构主导的AI基准测试工具Xbench。
此次发布的工具及其配套论文，系统构建了理论能力与实用价值并重的双轨评估框架，并首创动态演进的长青机制。
双轨评估体系如何实现技术与产业价值的平衡？医疗领域里，Xbench设置了哪些超出传统准确率指标的评估维度？相比传统学术体系其有哪些差异化创新？通过本文进一步了解为AI技术产业落地确立了新范式的工具Xbench。
红杉中国于2025年5月26日推出全球首个由投资机构发起的AI基准测试工具Xbench，并同步发布同名论文。该工具通过双轨评估体系和长青评估机制，首次将AI理论能力上限测试与真实场景效用价值量化相结合，标志着AI评测体系从学术导向向产业应用导向的重大转型。
突破性双轨评估体系
Xbench创新性地建立理论能力与实用价值并行的评测框架——前者通过标准化测试集衡量AI模型的技术边界，后者则构建职业对齐（Profession-Aligned）评估场景，模拟医生诊断、程序员debug等真实工作流，量化AI在具体岗位的实际生产力提升幅度。
在医疗领域测试案例中，系统需要完成从患者主诉分析到鉴别诊断的全流程，评估指标不仅包括诊断准确率，还涉及问诊效率、医疗合规性等临床实用维度。这种评估方式推动AI研发从追求基准刷分转向解决现实痛点。
动态演进的长青评估机制
针对AI技术快速迭代特性，Xbench引入三大动态更新策略：
1、每季度更新30%测试用例，保持与前沿技术同步
2、建立众包平台收集全球开发者提交的现实场景难题
3、设置专项基金激励学术界构建跨学科评估模块
该机制已整合来自医疗、法律、教育等8大领域的超过5,000个评估节点，其中15%的测试项直接来源于企业客户提供的真实业务场景。这种生态化演进模式确保评测体系持续反映产业实际需求。
投资机构主导的范式革新
作为首个由风险投资机构定义的AI评测标准，Xbench凸显三大独特价值：
商业洞察导向：测试权重向商业化关键指标倾斜，如用户留存率、服务响应速度等
跨领域协同网络：联合斯坦福、MIT等12所高校，整合超200位行业专家知识图谱
规模化验证场景：接入红杉生态内逾千家被投企业，建立产业级测试沙盒
这种模式打破了传统学术机构主导的评测体系，通过打通投资洞察与技术创新，构建起覆盖AI研发全周期的价值评估链。首批测试数据显示，在商业化场景中，Xbench评测结果与企业客户采购决策匹配度达87%，显著高于传统基准测试的52%。
文章来源：虎嗅智库服务
