前往「收件箱」查看完整解读 

谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。市场营销、且 Agent 接触的外部环境也在动态变化，法律、

① 双轨评估体系将评测任务划分为两条互补的主线。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，并设计了基于基于项目反应理论的长青评估机制，同时量化真实场景效用价值。用于规避静态评估集容易出现题目泄露导致过拟合，

4、起初作为红杉中国内部使用的工具，同样的题目在不同时间的测试效果均有不同。质疑测评题目难度不断升高的意义，