从性能到实战，怎样才算是靠谱的 Agent 产品？

以确保双轨评估结果具备时效性和相关性。[2-1]

① 研究者指出，其双轨测评体系强调了不再单纯执着于测评问题的难度，

① 双轨评估体系将评测任务划分为两条互补的主线。及其对 AI 落地的实际经济价值的关联，但由于其在搜索中心任务上的适应性不足，Profession Aligned 线则提出了面向招聘（Recruitment）和营销（Marketing）领域的垂类 Agent 评测框架。Xbench 项目最早在 2022 年启动，GPT-4o 由于倾向于提供较短的回答，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。当下的 Agent 产品迭代速率很快，前往「收件箱」查看完整解读