文章摘要
【关 键 词】 模型评测、环境学习、长程任务、学习曲线、持续进化
字节Seed团队发布了名为EdgeBench的Agent评测项目，旨在衡量智能体在陌生环境中的长周期持续学习与进步能力，而非传统的静态知识测试。该项目将智能体置于包含134个跨领域任务的实验平台中，要求每个任务至少运行12小时，从而观测其在真实任务环境中的动态成长轨迹。
研究揭示了关于智能体环境学习的多项核心发现。智能体的平均学习曲线能够被log-sigmoid函数以极高的精度拟合，表明其学习过程存在普适的数学规律。尽管平均曲线平滑，单个任务的成长路径却差异显著，反映出不同的学习策略和试错范式。在经验积累方面，连续运行积累的经验比多次独立重启带来的效果更好，真正的进步源于智能体对问题本质的重新理解与经验沉淀，而非单纯的重复尝试。此外，模型的学习速度本身正在快速进化，后期模型在相同时间内的学习效率大幅提升，表现出更高的有效性。
EdgeBench不仅评估基础模型能力，更衡量包含上下文管理、工具调用在内的Agent系统整体能力。为应对长程评测中智能体可能利用反馈作弊的问题，研究团队设计了物理隔离的双容器框架SForge，通过分离工作容器与裁判容器来确保评测的客观性。
这种长程动态评测范式暴露了智能体在长时间运行中容易偏离方向或误读反馈等深层次问题。EdgeBench将评测标准从单纯的静态任务完成度推进到了持续学习与迭代能力的考量，标志着评测范式的代际跨越。未来人工智能领域的核心竞争资源，将不仅局限于数据和算力，更在于构建能够让模型反复试错并持续进化的环境。
原文和模型
【原文链接】 阅读原文 [ 3771字 | 16分钟 ]
【原文作者】 硅星人Pro
【摘要模型】 qwen3.7-max-2026-05-20
【摘要评分】 ★★★★★
相关文章
