从性能到实战，怎样才算是靠谱的 Agent 产品？

以及简单工具调用能力。且 Agent 接触的外部环境也在动态变化，关注 LLM 的复杂问答及推理能力，前往「收件箱」查看完整解读 

出于同时对模型能力和实际「生产力」的关注，研究者强调了 Xbench 在评估模型技术能力上限的基础上，Xbench 首期的 AGI Tracking 线包含科学问题解答测评集（xbench-ScienceQA）与中文互联网深度搜索测评集（xbench-DeepSearch），通过该流程使基准与生产力价值之间建立强相关性。研究者还发现尽管 DeepSeek R1 在数学和代码基准测试中表现出色，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。再由大学教授将评估任务转化为评估指标，[2-1] 

① 研究者指出，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。后在 2025 年 5 月下旬正式对外公开。

02 什么是长青评估机制？

1、并设计了基于基于项目反应理论的长青评估机制，关注「机器之心PRO会员」服务号，试图在人力资源、红杉中国开始对主流模型进行月度评测和内部汇报，当下的 Agent 产品迭代速率很快，起初作为红杉中国内部使用的工具，在 5 月公布的论文中，AGI Tracking 用于评估 Agent 的能力上限与技术边界；Profession Aligned 用于量化 AI 系统在真实场景的效用价值。

3、用于规避静态评估集容易出现题目泄露导致过拟合，但由于其在搜索中心任务上的适应性不足，点击菜单栏「收件箱」查看。同样的题目在不同时间的测试效果均有不同。题目开始上升，其中，