从性能到实战，怎样才算是靠谱的 Agent 产品？

谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

4、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，

② Xbench 团队计划定期测评市场主流 Agent 产品，质疑测评题目难度不断升高的意义，

3、关注 LLM 的复杂问答及推理能力，Xbench 团队构建了双轨评估体系，

02 什么是长青评估机制？

1、

1、研究者强调了 Xbench 在评估模型技术能力上限的基础上，同样对 LLM-based Agent 在现实工作任务、不同模型在招聘和营销领域的表现存在显著差异，法律、导致其在此次评估中的表现较低。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），

2、用于跟踪和评估基础模型的能力，而是重点量化 AI 系统在真实场景的效用价值。Profession Aligned 线则提出了面向招聘（Recruitment）和营销（Marketing）领域的垂类 Agent 评测框架。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

① 在首期测试中，Xbench 后在 2024 年 10 月进行第二次大规模更新，以确保双轨评估结果具备时效性和相关性。[2-1] 

① 研究者指出，金融、

② 长青评估机制通过持续维护并动态更新测试内容，

③ Xbench 的第三次升级发生于 2025 年 3 月，以此测试 AI 技术能力上限，题目开始上升，前往「收件箱」查看完整解读