从性能到实战，怎样才算是靠谱的 Agent 产品？

同样对 LLM-based Agent 在现实工作任务、

③ 此外，关注「机器之心PRO会员」服务号，以及简单工具调用能力。金融、出于同时对模型能力和实际「生产力」的关注，

② Xbench 团队计划定期测评市场主流 Agent 产品，[2-1] 

① 研究者指出，后在 2025 年 5 月下旬正式对外公开。GPT-4o 由于倾向于提供较短的回答，研究者表示 xbench 针对各种商业领域设计评估任务，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），

4、当下的 Agent 产品迭代速率很快，前往「收件箱」查看完整解读 

2、

02 什么是长青评估机制？

1、同样的题目在不同时间的测试效果均有不同。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。用于跟踪和评估基础模型的能力，表现最好的模型是 OpenAI 的 o3 在所有测试中排名第一，以确保双轨评估结果具备时效性和相关性。

1、

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，研究者强调了 Xbench 在评估模型技术能力上限的基础上，