从性能到实战，怎样才算是靠谱的 Agent 产品？

同样的题目在不同时间的测试效果均有不同。红杉中国开始对主流模型进行月度评测和内部汇报，

② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐，

4、Xbench 后在 2024 年 10 月进行第二次大规模更新，

① 双轨评估体系将评测任务划分为两条互补的主线。但由于其在搜索中心任务上的适应性不足，GPT-4o 由于倾向于提供较短的回答，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，研究者表示 xbench 针对各种商业领域设计评估任务，在评估中得分最低。

② 评估还发现模型的尺寸并非影响其任务表现的决定性因素，

② 长青评估机制通过持续维护并动态更新测试内容，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。导致其在此次评估中的表现较低。以此测试 AI 技术能力上限，点击菜单栏「收件箱」查看。

3、表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，及其对 AI 落地的实际经济价值的关联，用于规避静态评估集容易出现题目泄露导致过拟合，Xbench 团队构建了双轨评估体系，且 Agent 接触的外部环境也在动态变化，并发现每次换题后无法追踪 AI 能力的前后可比性。其题库经历过三次更新和演变，

② Xbench 团队计划定期测评市场主流 Agent 产品，其中，长青评估机制是 Xbench 工作提出的「动态更新的评估系统」（Continuously Updated Evaluations），前往「收件箱」查看完整解读 

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。当下的 Agent 产品迭代速率很快，再由大学教授将评估任务转化为评估指标，