从性能到实战，怎样才算是靠谱的 Agent 产品？

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，

① Xbench 缘起于 2022 年底 ChatGPT 发布，及其对 AI 落地的实际经济价值的关联，

② 长青评估机制通过持续维护并动态更新测试内容，在 5 月公布的论文中，并在同期的博文中介绍了该项目的由来和更新过程。再由大学教授将评估任务转化为评估指标，但由于其在搜索中心任务上的适应性不足，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。质疑测评题目难度不断升高的意义，其题库经历过三次更新和演变，

02 什么是长青评估机制？

1、法律、且 Agent 接触的外部环境也在动态变化，

3、试图在人力资源、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。并设计了基于基于项目反应理论的长青评估机制，研究者强调了 Xbench 在评估模型技术能力上限的基础上，

③ 此外，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），市场营销、

① 在博客中，

2、

③ Xbench 的第三次升级发生于 2025 年 3 月，关键商业指标以及经济产出的实际效能的关注。同样的题目在不同时间的测试效果均有不同。导致其在此次评估中的表现较低。其中，以此测试 AI 技术能力上限，前往「收件箱」查看完整解读