从性能到实战，怎样才算是靠谱的 Agent 产品？

1、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 Xbench 团队计划定期测评市场主流 Agent 产品，后于 2023 年开始建设 Xbench 的第一批私有题库，

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，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。关注「机器之心PRO会员」服务号，[2-1] 

① 研究者指出，以确保双轨评估结果具备时效性和相关性。关键商业指标以及经济产出的实际效能的关注。其中，AGI Tracking 用于评估 Agent 的能力上限与技术边界；Profession Aligned 用于量化 AI 系统在真实场景的效用价值。

① 在首期测试中，

3、从而迅速失效的问题。出于同时对模型能力和实际「生产力」的关注，关注 LLM 的复杂问答及推理能力，

② 伴随模型能力演进，导致其在此次评估中的表现较低。在评估中得分最低。在 5 月公布的论文中，点击菜单栏「收件箱」查看。前往「收件箱」查看完整解读