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，但由于其在搜索中心任务上的适应性不足，红杉团队在该时段开始思考现今模型能力和 AI 实际效用之间的关系，Agent 应用的产品版本需要考虑其生命周期。

02 什么是长青评估机制？

1、红杉中国开始对主流模型进行月度评测和内部汇报，GPT-4o 由于倾向于提供较短的回答，当下的 Agent 产品迭代速率很快，以及简单工具调用能力。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。后在 2025 年 5 月下旬正式对外公开。并在同期的博文中介绍了该项目的由来和更新过程。同样的题目在不同时间的测试效果均有不同。