xbench 是一个面向 AI Agent（智能体）的基准测试体系，由中国团队于 2025 年年中推出，主张用“真实价值对齐”（value alignment）而非静态题库来衡量大模型与 Agent 的实际能力。它最初包含 DeepSearch（信息检索）与 ScienceQA（科学问答）等追踪性测试，持续更新题目以避免过拟合，并引入“绩效-成本曲线”来刻画模型能力随价格下降的扩展趋势，逐渐成为业内评估 Agent 水平时常被引用的第三方基准之一。
xbench 视角下的 Agent 近期进展
当前焦点与观察点
现阶段围绕 xbench 的讨论主要集中在三点。其一是评测的有效性：动态更新题目虽能降低“刷榜”风险，但也带来了可复现性与结果可比性的争议。其二是能力外推：xbench 提出的绩效-成本曲线暗示模型能力上限仍在随投入增长，这一判断被多方引用来预测 Agent 商业化的时间点。其三是覆盖面：如 MemScope、KnowGPO 等工作所展示的记忆、多步规划与强化学习能力，尚未被现有基准完整衡量。
对普通读者而言，观察 xbench 的意义在于它提供了一个相对中立的参照系：当各家厂商宣传 Agent 产品能力时，可以借助这类第三方基准交叉验证，同时关注其成本侧数据，而不仅仅是分数排名。