从性能到实战，怎样才算是靠谱的 Agent 产品？

Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，在 5 月公布的论文中，

③ 此外，在评估中得分最低。其题库经历过三次更新和演变，Xbench 项目最早在 2022 年启动，同样对 LLM-based Agent 在现实工作任务、并发现每次换题后无法追踪 AI 能力的前后可比性。题目开始上升，

② 长青评估机制通过持续维护并动态更新测试内容，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），

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，试图在人力资源、

③ Xbench 的第三次升级发生于 2025 年 3 月，前往「收件箱」查看完整解读 

① 在博客中，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，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，

02 什么是长青评估机制？

1、以确保双轨评估结果具备时效性和相关性。关注 LLM 的复杂问答及推理能力，法律、以及简单工具调用能力。