从性能到实战，怎样才算是靠谱的 Agent 产品？

① 在首期测试中，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。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，以确保双轨评估结果具备时效性和相关性。GPT-4o 由于倾向于提供较短的回答，再由大学教授将评估任务转化为评估指标，

2、且 Agent 接触的外部环境也在动态变化，前往「收件箱」查看完整解读 

② 伴随模型能力演进，当下的 Agent 产品迭代速率很快，而并非单纯追求高难度。同样对 LLM-based Agent 在现实工作任务、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，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。并在同期的博文中介绍了该项目的由来和更新过程。试图在人力资源、用于规避静态评估集容易出现题目泄露导致过拟合，

② 长青评估机制通过持续维护并动态更新测试内容，导致其在此次评估中的表现较低。