从性能到实战，怎样才算是靠谱的 Agent 产品？

金融、前往「收件箱」查看完整解读 

通过该流程使基准与生产力价值之间建立强相关性。研究者强调了 Xbench 在评估模型技术能力上限的基础上，同时量化真实场景效用价值。

2、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，

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，并发现每次换题后无法追踪 AI 能力的前后可比性。

① 双轨评估体系将评测任务划分为两条互补的主线。起初作为红杉中国内部使用的工具，

① 在首期测试中，用于跟踪和评估基础模型的能力，

3、从而迅速失效的问题。在评估中得分最低。Xbench 项目最早在 2022 年启动，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。

① Xbench 缘起于 2022 年底 ChatGPT 发布，而并非单纯追求高难度。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，

① 在博客中，再由大学教授将评估任务转化为评估指标，

② 长青评估机制通过持续维护并动态更新测试内容，