从性能到实战，怎样才算是靠谱的 Agent 产品？

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），且 Agent 接触的外部环境也在动态变化，关注「机器之心PRO会员」服务号，

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，及其对 AI 落地的实际经济价值的关联，

① Xbench 缘起于 2022 年底 ChatGPT 发布，Xbench 项目最早在 2022 年启动，同样的题目在不同时间的测试效果均有不同。其题库经历过三次更新和演变，Agent 应用的产品版本需要考虑其生命周期。

② 长青评估机制通过持续维护并动态更新测试内容，

1、评估任务由对应领域的专家结合实际业务需求设定，

3、同时量化真实场景效用价值。而是重点量化 AI 系统在真实场景的效用价值。试图在人力资源、市场营销、

② Xbench 团队计划定期测评市场主流 Agent 产品，题目开始上升，导致其在此次评估中的表现较低。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。[2-1] 

① 研究者指出，当下的 Agent 产品迭代速率很快，

① 在首期测试中，研究者强调了 Xbench 在评估模型技术能力上限的基础上，前往「收件箱」查看完整解读