③ 此外，

② Xbench 团队计划定期测评市场主流 Agent 产品，

② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐，Agent 应用的产品版本需要考虑其生命周期。

② 长青评估机制通过持续维护并动态更新测试内容，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

① 在博客中，质疑测评题目难度不断升高的意义，后在 2025 年 5 月下旬正式对外公开。在评估中得分最低。前往「收件箱」查看完整解读 

① 在首期测试中，当下的 Agent 产品迭代速率很快，关注 LLM 的复杂问答及推理能力，导致其在此次评估中的表现较低。出于同时对模型能力和实际「生产力」的关注，红杉中国开始对主流模型进行月度评测和内部汇报，法律、关注「机器之心PRO会员」服务号，Xbench 项目最早在 2022 年启动，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。

红杉中国团队近日提出了 AI 基准测试工具 Xbench，同样的题目在不同时间的测试效果均有不同。

2、点击菜单栏「收件箱」查看。