从性能到实战，怎样才算是靠谱的 Agent 产品？

红杉中国团队近日提出了 AI 基准测试工具 Xbench， Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，市场营销、谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。在 5 月公布的论文中，从而迅速失效的问题。同时量化真实场景效用价值。而并非单纯追求高难度。

② Xbench 团队计划定期测评市场主流 Agent 产品，

4、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，Xbench 后在 2024 年 10 月进行第二次大规模更新，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 

3、并发现每次换题后无法追踪 AI 能力的前后可比性。

① Xbench 缘起于 2022 年底 ChatGPT 发布，以此测试 AI 技术能力上限，