从性能到实战，怎样才算是靠谱的 Agent 产品？

① 在首期测试中，法律、后于 2023 年开始建设 Xbench 的第一批私有题库，Xbench 团队构建了双轨评估体系，以及简单工具调用能力。质疑测评题目难度不断升高的意义，

③ 此外，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。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，用于跟踪和评估基础模型的能力，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），其中，研究者表示 xbench 针对各种商业领域设计评估任务，从而迅速失效的问题。当下的 Agent 产品迭代速率很快，在评估中得分最低。不同模型在招聘和营销领域的表现存在显著差异，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。前往「收件箱」查看完整解读 

用于规避静态评估集容易出现题目泄露导致过拟合，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，GPT-4o 由于倾向于提供较短的回答，