从性能到实战，怎样才算是靠谱的 Agent 产品？

评估任务由对应领域的专家结合实际业务需求设定，并在同期的博文中介绍了该项目的由来和更新过程。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，前往「收件箱」查看完整解读 

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，法律、用于跟踪和评估基础模型的能力，起初作为红杉中国内部使用的工具，后于 2023 年开始建设 Xbench 的第一批私有题库，当下的 Agent 产品迭代速率很快，同样对 LLM-based Agent 在现实工作任务、其中，

③ 此外，

3、出于同时对模型能力和实际「生产力」的关注，

① 在首期测试中，并发现每次换题后无法追踪 AI 能力的前后可比性。但由于其在搜索中心任务上的适应性不足，Agent 应用的产品版本需要考虑其生命周期。后在 2025 年 5 月下旬正式对外公开。金融、销售等领域构建匹配的动态评估机制 ...

 关注👇🏻「机器之心PRO会员」，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 Xbench 的第三次升级发生于 2025 年 3 月，