而并非单纯追求高难度。市场营销、 Scaling with Profession-Aligned Real-World Evaluations》中介绍了 XBench 基准测试，及其对 AI 落地的实际经济价值的关联，当下的 Agent 产品迭代速率很快，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。并设计了基于基于项目反应理论的长青评估机制，前往「收件箱」查看完整解读 

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 双轨评估体系将评测任务划分为两条互补的主线。

② Xbench 团队计划定期测评市场主流 Agent 产品，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），