从性能到实战，怎样才算是靠谱的 Agent 产品？

关注「机器之心PRO会员」服务号，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。而并非单纯追求高难度。在 5 月公布的论文中，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，

]article_adlist-->导致其在此次评估中的表现较低。质疑测评题目难度不断升高的意义，以此测试 AI 技术能力上限，再由大学教授将评估任务转化为评估指标，

3、

02 什么是长青评估机制？

1、关键商业指标以及经济产出的实际效能的关注。

② Xbench 团队计划定期测评市场主流 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），后于 2023 年开始建设 Xbench 的第一批私有题库，

① Xbench 缘起于 2022 年底 ChatGPT 发布，[2-1] 

① 研究者指出，并设计了基于基于项目反应理论的长青评估机制，

① 在博客中，GPT-4o 由于倾向于提供较短的回答，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，

② 伴随模型能力演进，后在 2025 年 5 月下旬正式对外公开。点击菜单栏「收件箱」查看。红杉中国开始对主流模型进行月度评测和内部汇报，试图在人力资源、

2、用于跟踪和评估基础模型的能力，Xbench 项目最早在 2022 年启动，

③ 此外，在评估中得分最低。但由于其在搜索中心任务上的适应性不足，从而迅速失效的问题。同时量化真实场景效用价值。法律、市场营销、

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，金融、同样对 LLM-based Agent 在现实工作任务、前往「收件箱」查看完整解读