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。
]article_adlist-->目录
01. 基准测试要开始关注 AI 的「业务能力」了？
Xbench 是什么来历？为什么评估 Agent 产品需要双轨评估体系？基准测试不能只设计更难的问题？...
02.什么是长青评估机制？
LLM 与 Agent 产品的测评集有何区别？IRT 如何支撑评估系统的动态更新？...
03. 当前的领先模型在「招聘」和「营销」中的表现如何？
「招聘」和「营销」任务对 Agent 产品有什么要求？Xbench 如何评估 Agent业务能力？国内外领先模型在「招聘」和「营销」测试中表现如何？...
01 基准测试要开始关注 AI 的「业务能力」了？
红杉中国的研究者近期在论文《xbench: Tracking Agents Productivity，在评估中得分最低。
1、同样对 LLM-based Agent 在现实工作任务、市场营销、
③ 此外，用于规避静态评估集容易出现题目泄露导致过拟合，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），
② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐，红杉中国开始对主流模型进行月度评测和内部汇报，但由于其在搜索中心任务上的适应性不足，Xbench 项目最早在 2022 年启动，出于同时对模型能力和实际「生产力」的关注，并设计了基于基于项目反应理论的长青评估机制，前往「收件箱」查看完整解读
