EdgeBench: เปิดเผยกฎการขยายขนาดการเรียนรู้จากสภาพแวดล้อมโลกจริง
หัวข้อต้นฉบับ:EdgeBench: Unveiling Scaling Laws of Learning from Real-World Environments
สรุปโดย AI
ทีม Seed ของ ByteDance เปิดตัว EdgeBench ประกอบด้วยงานโลกจริง 134 งาน ครอบคลุม 6 สาขา เช่น การค้นพบทางวิทยาศาสตร์ วิศวกรรมซอฟต์แวร์ โดยแต่ละงานรองรับการทำงานของเอเจนต์ต่อเนื่องอย่างน้อย 12 ชั่วโมง จากข้อมูลการโต้ตอบประมาณ 38,000 ชั่วโมง พบว่าประสิทธิภาพโดยรวมและเวลาการโต้ตอบกับสภาพแวดล้อมเป็นไปตามกฎการขยายขนาดรูปตัว S แบบลอการิทึมที่แม่นยำ (R²=0.998) และความเร็วในการเรียนรู้ของเอเจนต์เพิ่มขึ้นประมาณสองเท่าทุกสามเดือน เปิดเผยงาน 51 งานและกรอบการประเมินที่สมบูรณ์แล้ว
ข้อมูลสำคัญ
- ทีม Seed ของ ByteDance เปิดตัว EdgeBench ประกอบด้วยงานโลกจริง 134 งาน ครอบคลุม 6 สาขา เช่น…
- 000 ชั่วโมง พบว่าประสิทธิภาพโดยรวมและเวลาการโต้ตอบกับสภาพแวดล้อมเป็นไปตามกฎการขยายขนาดรูปตัว S…
- 998) และความเร็วในการเรียนรู้ของเอเจนต์เพิ่มขึ้นประมาณสองเท่าทุกสามเดือน เปิดเผยงาน 51…
สรุปสั้น
- เวลาเผยแพร่
- เวลาอัปเดต
- แหล่งที่มา
- 字节 Seed:Research Papers(网页内嵌数据)
- หมวดหมู่
- บทความและงานวิจัย
- คะแนน AI
- 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。
เอนทิตีที่เกี่ยวข้อง
แหล่งที่มาและลิขสิทธิ์
บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม
วิธีอ้างอิง
เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News
Orange News: EdgeBench: เปิดเผยกฎการขยายขนาดการเรียนรู้จากสภาพแวดล้อมโลกจริง 6 กรกฎาคม 2026 https://new.nat6.net/th/news/cmra57ei80146ihx8c551d8w6/