论文页面 - EdgeBench：揭示从真实环境学习的缩放定律

来源：https://huggingface.co/papers/2607.05155 作者：

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

摘要

对 38,000 小时的真实智能体交互进行分析，揭示了在 134 个多样化任务中，性能呈对数-西格玛缩放定律，学习速度呈指数级提升。

预训练缩放定律 (https://huggingface.co/papers?q=scaling%20laws) 揭示了模型能力随数据和计算量可预测地提升。但部署后从真实世界环境中学习的过程仍然远未被理解。通过对约 38,000 小时的智能体与环境交互 (https://huggingface.co/papers?q=agent%20interaction) 数据进行分析，涵盖 134 个真实世界任务 (https://huggingface.co/papers?q=real%20world%20tasks)，我们首次发现（据我们所知），在环境学习 (https://huggingface.co/papers?q=environment%20learning) 过程中，整体性能遵循对数-西格玛缩放定律 (https://huggingface.co/papers?q=log-sigmoid%20scaling%20law)，且精度极高，R² 达到 0.998。跨模型代际，我们还发现智能体的学习速度大约每三个月翻一番。这一发现源于 EdgeBench (https://huggingface.co/papers?q=EdgeBench)，一个包含 134 个真实世界任务 (https://huggingface.co/papers?q=real%20world%20tasks) 的基准套件，这些任务具有超长时域，涵盖科学发现、软件工程、组合优化、专业知识工作、形式数学和交互式游戏。每个任务在丰富、多层次的反馈 (https://huggingface.co/papers?q=multilevel%20feedback) 下至少支持 12 小时的持续智能体运行，并由大量专家付出构建。我们公开发布了 51 个任务和完整的评估框架，以加速对智能体如何从真实世界经验中学习的研究。

查看 arXiv 页面 (https://arxiv.org/abs/2607.05155) 查看 PDF (https://arxiv.org/pdf/2607.05155) 项目页面 (https://edge-bench.org/) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.05155)

在你的智能体中获取此论文：

hf papers read 2607.05155

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2607.05155 以从此页面链接。

引用此论文的数据集 0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2607.05155 以从此页面链接。

引用此论文的 Spaces 0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2607.05155 以从此页面链接。

包含此论文的收藏 0

没有包含此论文的收藏

将此论文添加到收藏 (https://huggingface.co/new-collection) 以从此页面链接。