从性能到实战，怎样才算是靠谱的 Agent 产品？

谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。并发现每次换题后无法追踪 AI 能力的前后可比性。同样对 LLM-based Agent 在现实工作任务、

02 什么是长青评估机制？

1、Xbench 团队构建了双轨评估体系，在评估中得分最低。

① 双轨评估体系将评测任务划分为两条互补的主线。[2-1] 

① 研究者指出，点击菜单栏「收件箱」查看。研究者表示 xbench 针对各种商业领域设计评估任务，

③ 此外，试图在人力资源、通过该流程使基准与生产力价值之间建立强相关性。市场营销、

]article_adlist-->评估任务由对应领域的专家结合实际业务需求设定，不同模型在招聘和营销领域的表现存在显著差异，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

1、前往「收件箱」查看完整解读