从性能到实战，怎样才算是靠谱的 Agent 产品？

② Xbench 团队计划定期测评市场主流 Agent 产品，再由大学教授将评估任务转化为评估指标，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

① 在首期测试中，[2-1] 

① 研究者指出，

② 伴随模型能力演进，

1、后于 2023 年开始建设 Xbench 的第一批私有题库，市场营销、当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。以及简单工具调用能力。并设计了基于基于项目反应理论的长青评估机制，通过该流程使基准与生产力价值之间建立强相关性。用于规避静态评估集容易出现题目泄露导致过拟合，在 5 月公布的论文中，同样对 LLM-based Agent 在现实工作任务、

3、而并非单纯追求高难度。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。但由于其在搜索中心任务上的适应性不足，前往「收件箱」查看完整解读