EdgeBench: Skalierungsgesetze des Lernens aus realen Umgebungen
Originaltitel:EdgeBench: Unveiling Scaling Laws of Learning from Real-World Environments
KI-Zusammenfassung
Das Seed-Team von ByteDance veröffentlicht EdgeBench mit 134 realen Aufgaben aus 6 Bereichen wie wissenschaftliche Entdeckung und Software-Engineering; jede Aufgabe unterstützt mindestens 12 Stunden kontinuierlichen Agent-Betrieb. Auf Basis von rund 38.000 Stunden Interaktionsdaten wurde ein präzises logarithmisches S-förmiges Skalierungsgesetz zwischen Gesamtleistung und Interaktionszeit mit der Umgebung gefunden (R²=0,998); die Lernrate der Agenten verdoppelt sich etwa alle drei Monate. 51 Aufgaben und das vollständige Evaluierungsframework wurden veröffentlicht.
Kernpunkte
- Das Seed-Team von ByteDance veröffentlicht EdgeBench mit 134 realen Aufgaben aus 6 Bereichen wie…
- jede Aufgabe unterstützt mindestens 12 Stunden kontinuierlichen Agent-Betrieb.
- Auf Basis von rund 38.
- 000 Stunden Interaktionsdaten wurde ein präzises logarithmisches S-förmiges Skalierungsgesetz…
- die Lernrate der Agenten verdoppelt sich etwa alle drei Monate.
Auf einen Blick
- Veröffentlicht
- Aktualisiert
- Kategorie
- Papers & Forschung
- KI-Bewertung
- 74
这篇论文首次量化了智能体在134个长周期真实任务中从环境学习的性能曲线,发现log-sigmoid缩放定律精确度极高,且学习速度约每三个月翻倍。对于正在设计长期自主agent的团队,这是一份必须看的底层规律报告。
Verwandte Entitäten
Quelle & Urheberrecht
Dieser Artikel basiert auf kuratierten Titeln und KI-Zusammenfassungen der öffentlichen AIHOT-API, mit Quellenangabe und Rückverlinkung. Das Urheberrecht am Original liegt bei den ursprünglichen Medien und Autoren; diese Seite spiegelt keine Volltexte.
Zitierhinweis
Beim Zitieren dieses Artikels bitte Titel, Datum und Permalink beibehalten und Orange News als Quelle angeben.
Orange News: EdgeBench: Skalierungsgesetze des Lernens aus realen Umgebungen. 6. Juli 2026. https://new.nat6.net/de/news/cmra57ei80146ihx8c551d8w6/