从性能到实战，怎样才算是靠谱的 Agent 产品？

② Xbench 团队计划定期测评市场主流 Agent 产品，题目开始上升，同样的题目在不同时间的测试效果均有不同。同时量化真实场景效用价值。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），

2、红杉中国开始对主流模型进行月度评测和内部汇报，而并非单纯追求高难度。

4、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

02 什么是长青评估机制？

1、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，

3、以确保双轨评估结果具备时效性和相关性。当时主要针对 LLM 和智能体简单问答和逻辑思考能力进行评测。用于规避静态评估集容易出现题目泄露导致过拟合，点击菜单栏「收件箱」查看。通过该流程使基准与生产力价值之间建立强相关性。并发现每次换题后无法追踪 AI 能力的前后可比性。关键商业指标以及经济产出的实际效能的关注。Xbench 团队构建了双轨评估体系，并在同期的博文中介绍了该项目的由来和更新过程。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，

② 伴随模型能力演进，

② 长青评估机制通过持续维护并动态更新测试内容，

① 在博客中，前往「收件箱」查看完整解读