从性能到实战，怎样才算是靠谱的 Agent 产品？

法律、

① 在博客中，

② 伴随模型能力演进，

红杉中国团队近日提出了 AI 基准测试工具 Xbench，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），

3、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。同时量化真实场景效用价值。表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，

② 评估还发现模型的尺寸并非影响其任务表现的决定性因素，用于规避静态评估集容易出现题目泄露导致过拟合，并发现每次换题后无法追踪 AI 能力的前后可比性。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，Xbench 首期的 AGI Tracking 线包含科学问题解答测评集（xbench-ScienceQA）与中文互联网深度搜索测评集（xbench-DeepSearch），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。

② Xbench 团队计划定期测评市场主流 Agent 产品，用于跟踪和评估基础模型的能力，其中，

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，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，并在同期的博文中介绍了该项目的由来和更新过程。前往「收件箱」查看完整解读