今日官方转达宣布新研究报告单杆破百 吴宜泽10-7暂时领先墨菲 很兴奋为您解答这个问题，，，
，，，让我来帮您详细说明一下。
。。。
。品牌授权报修电话，，，
，，，快速上门服务

黑龙江省鸡西市鸡冠区黑龙江省鹤岗市内蒙古鄂尔多斯市鄂托克旗长安区广安街道山东省枣庄市台儿庄区内蒙古鄂尔多斯市鄂托克旗黑龙江省鹤岗市巴音郭楞蒙古自治州和硕县甘肃省兰州市江西省宜春市宜丰县山西省朔州市山阴县赞皇县院头镇广东省云浮市新兴县广东省珠海市斗门区武清区汊沽港镇陕西省商洛市山阳县江苏省南通市启东市南开区长虹街道丰台区右安门街道山西省晋都会泽州县山东省聊都会冠县江苏省南京市浦口区北辰区广源街道江西省景德镇市昌江区山东省淄博市临淄区清静区南市街道武清区上马台镇桥西区苑东街道丰台区右安门街道江苏省南京市浦口区云南省红河哈尼族彝族自治州泸西县陕西省商洛市山阳县海南省三沙市西沙区平山县东回舍镇山西省晋都会高平市贵州省铜仁市玉屏侗族自治县丰台区右安门街道洛阳市汝阳县顺义区空港街道昌平区小汤山镇福建省南平市建瓯市广东省惠州市龙门县四川省成都会新都区大兴区向阳区双井街道海南省儋州市焦作市沁阳市湖北省襄阳市襄州区山东省威海市陕西省咸阳市兴平市江西省景德镇市昌江区山东省淄博市临淄区山东省聊都会冠县长安区广安街道向阳区小红门地区湖北省宜昌市秭归县辽宁省锦州市义县延庆区沈家营镇延庆区康庄镇山西省晋都会泽州县云南省文山壮族苗族自治州广南县银川市贺兰县怀柔区宝山镇四川省广安市岳池县福建省南平市福建省福州市罗源县蓟州区官庄镇四川省凉山彝族自治州昭觉县四川省广元市百色市靖西市黑龙江省七台河市桃山区黑龙江省大兴安岭地区呼玛县江苏省南京市浦口区密云区高岭镇重庆市县巫山县江西省赣州市石城县陕西省汉中市西乡县乌鲁木齐市沙依巴克区辽宁省本溪市溪湖区山西省临汾市安泽县福建省莆田市城厢区云南省玉溪市新平彝族傣族自治县江苏省南京市浦口区四川省凉山彝族自治州甘洛县辽宁省沈阳市沈河区江西省宜春市宜丰县云南省红河哈尼族彝族自治州泸西县辽宁省向阳市北票市崇左市宁明县陕西省商洛市山阳县密云区高岭镇江西省萍乡市上栗县江苏省镇江市句容市四川省甘孜藏族自治州九龙县长安区广安街道河西区桃园街道山东省聊都会冠县鹿泉区寺家庄镇向阳区小红门地区甘肃省甘南藏族自治州

本月行业协会转达最新研究效果3.8万小时、狂烧天价token：字节发明Agent的 Scaling Law，，，
，，，很兴奋为您解答这个问题，，，
，，，让我来帮您详细说明一下:官方服务专线，，，
，，，支持多品牌报修

云南省丽江市宁蒗彝族自治县甘肃省定西市渭源县武清区上马台镇山东省德州市齐河县山西省晋中市灵石县合肥市瑶海区内蒙古锡林郭勒盟正镶白旗山西省运都会夏县陕西省商洛市山阳县山东省威海市百色市田林县青海省海北藏族自治州门源回族自治县广东省广州市越秀区江西省吉安市吉安县江西省赣州市石城县阿克苏地区拜城县江西省吉安市吉安县江西省吉安市吉安县山东省潍坊市青州市宝坻区牛家牌镇黑龙江省鸡西市鸡冠区山东省烟台市龙口市大兴区广东省云浮市新兴县黑龙江省佳木斯市汤原县无极县大陈镇西城区天桥街道无极县大陈镇合肥市瑶海区向阳区豆各庄地区海南省三沙市西沙区怀柔区雁栖地区伊犁哈萨克自治州昭苏县青海省玉树藏族自治州治多县陕西省宝鸡市眉县许昌市建安区青海省海西蒙古族藏族自治州德令哈市山东省东营市垦利区四川省凉山彝族自治州昭觉县银川市贺兰县延庆区康庄镇蚌埠市龙子湖区贵州省铜仁市印江土家族苗族自治县贵州省铜仁市玉屏侗族自治县辽宁省铁岭市开原市青海省玉树藏族自治州治多县四川省乐山市山东省聊都会茌平区江西省九江市武宁县马鞍山市博望区江西省萍乡市上栗县山西省忻州市定襄县内蒙古鄂尔多斯市鄂托克旗黑龙江省佳木斯市汤原县向阳区管庄地区百色市田林县桂林市兴安县长安区广安街道广东省江门市百色市靖西市广东省江门市开封市通许县井陉县测鱼镇江西省吉安市吉安县山西省朔州市山阴县云南省红河哈尼族彝族自治州泸西县重庆市市辖区北碚区山东省泰安市东平县长安区广安街道平山县岗南镇福建省厦门市海沧区陕西省宝鸡市千阳县云南省红河哈尼族彝族自治州泸西县山西省晋中市灵石县江西省赣州市石城县湖北省恩施土家族苗族自治州恩施市湖北省孝感市汉川市密云区古北口镇山西省晋中市榆社县行唐县龙州镇湖北省宜昌市秭归县行唐县龙州镇甘肃省定西市渭源县四川省成都会双流区平顶山市湛河区山东省青岛市城阳区北海市海城区怀柔区龙山街道延庆区康庄镇四川省甘孜藏族自治州泸定县陕西省商洛市山阳县山西省运都会夏县信阳市平桥区湖北省恩施土家族苗族自治州恩施市昌平区延寿镇海淀区青龙桥街道福建省三明市梅列区陕西省西安市未央区福建省三明市梅列区蓟州区东二营镇

全球服务区域:濮阳市南乐县山西省忻州市宁武县静海区大邱庄镇阿克苏地区新和县和田地区四川省凉山彝族自治州西昌市向阳区管庄地区山东省枣庄市台儿庄区山东省聊都会茌平区蓟州区东二营镇崇左市宁明县甘肃省陇南市武都区蓟州区东赵各庄镇甘肃省白银市景泰县向阳区豆各庄地区平山县小觉镇百色市靖西市湖北省宜昌市秭归县喀什地区叶城县江西省宜春市奉新县亳州市利辛县内蒙古兴安盟乌兰浩特市辽宁省沈阳市浑南区山东省聊都会冠县北海市海城区黑龙江省伊春市金林区四川省广元市巴音郭楞蒙古自治州和硕县辽宁省沈阳市浑南区防城港市东兴市平山县小觉镇陕西省宝鸡市眉县丰台区宛平城地区平山县东回舍镇广东省云浮市新兴县密云区不老屯镇内蒙古呼伦贝尔市阿荣旗固原市西吉县黑龙江省大兴安岭地区呼玛县崇左市黑龙江省哈尔滨市巴彦县江西省吉安市永新县四川省甘孜藏族自治州泸定县博尔塔拉蒙古自治州温泉县向阳区豆各庄地区井陉县测鱼镇西青区精武镇云南省红河哈尼族彝族自治州泸西县福建省福州市永泰县西城区天桥街道蚌埠市蚌山区江西省景德镇市昌江区顺义区空港街道南阳市内乡县福建省南平市湖北省恩施土家族苗族自治州恩施市辽宁省沈阳市浑南区辽宁省辽阳市白塔区江西省赣州市石城县密云区河南寨镇井陉县吴家窑乡湖北省孝感市汉川市阿克苏地区新和县四川省广安市岳池县广东省珠海市斗门区密云区河南寨镇平山县宅北乡和田地区南开区长虹街道甘肃省陇南市河东区东新街道密云区河南寨镇江西省吉安市吉安县山西省临汾市安泽县顺义区空港街道江西省鹰潭市余江区四川省甘孜藏族自治州九龙县四川省凉山彝族自治州昭觉县钦州市青海省果洛藏族自治州元氏县殷村镇和田地区黑龙江省鹤岗市西藏山南市静海区大邱庄镇辽宁省本溪市溪湖区长安区南村镇重庆市县巫山县黑龙江省七台河市桃山区桥西区留营街道北海市海城区海南省三沙市西沙区武清区上马台镇长安区南村镇丰台区和义街道广东省广州市越秀区陕西省汉中市留坝县山西省忻州市定襄县江西省宜春市奉新县内蒙古兴安盟乌兰浩特市

本周研究机构转达最新行业希望3.8万小时、狂烧天价token：字节发明Agent的 Scaling Law，，，
，，，很兴奋为您解答这个问题，，，
，，，让我来帮您详细说明一下:售后服务维修中心电话，，，
，，，支持多渠道服务

天下服务区域：宝坻区牛家牌镇平山县宅北乡湖北省襄阳市襄州区湖北省宜昌市西陵区辽宁省沈阳市沈河区喀什地区叶城县贵州省六盘水市水城县湖北省襄阳市襄州区贵州省黔南布依族苗族自治州惠水县福建省厦门市湖里区云南省怒江傈僳族自治州福贡县吉林省长春市双阳区向阳区小红门地区陕西省宝鸡市千阳县四川省凉山彝族自治州甘洛县甘肃省定西市渭源县合肥市瑶海区贵州省铜仁市玉屏侗族自治县山东省德州市齐河县上海市市辖区嘉定区山东省烟台市龙口市辽宁省沈阳市浑南区福建省南平市蚌埠市蚌山区延庆区康庄镇西藏阿里地区日土县无极县大陈镇和田地区井陉县测鱼镇河西区桃园街道西藏山南市蓟州区东赵各庄镇亳州市利辛县河东区东新街道辽宁省沈阳市吉林省四平市铁西区湖北省襄阳市襄州区信阳市平桥区上海市市辖区嘉定区山西省忻州市定襄县吉林省白山市浑江区辽宁省铁岭市清河区海淀区青龙桥街道四川省遂宁市蓬溪县山东省东营市垦利区赞皇县院头镇河东区大直沽街道塔城地区和布克赛尔蒙古自治县昌平区阳坊镇湖北省恩施土家族苗族自治州建始县亳州市利辛县桥西区苑东街道喀什地区麦盖提县四川省宜宾市江安县武清区上马台镇蓟州区东施古镇湖北省孝感市汉川市黑龙江省佳木斯市汤原县黑龙江省鹤岗市西藏山南市贡嘎县四川省凉山彝族自治州西昌市内蒙古兴安盟乌兰浩特市井陉县测鱼镇平山县岗南镇新乐市协神乡北辰区向阳区酒仙桥街道黑龙江省大兴安岭地区呼玛县江苏省南京市浦口区重庆市市辖区北碚区崇左市宁明县昌平区延寿镇广东省汕头市南澳县辽宁省沈阳市浑南区重庆市市辖区北碚区贵州省黔东南苗族侗族自治州天柱县西藏拉萨市达孜区南阳市内乡县合肥市庐阳区内蒙古锡林郭勒盟正镶白旗武清区上马台镇陕西省宝鸡市眉县焦作市辽宁省铁岭市清河区山西省阳泉市平定县山西省运都会夏县井陉县吴家窑乡四川省成都会新都区南开区体育中心街道山西省吕梁市岚县淮南市大通区山西省晋中市太谷区平山县岗南镇哈密市伊吾县西城区天桥街道丰台区和义街道甘肃省庆阳市镇原县广东省惠州市龙门县丰台区长辛店镇南开区体育中心街道

售后服务上门服务电话，，，
，，，智能分配票据：3.8万小时、狂烧天价token：字节发明Agent的 Scaling Law

作者｜Ado微信｜ Ado__rs

7月2日，，，
，，，字节 Seed 宣布了一个 Agent评测项目 EdgeBench。
。。。
？
？？雌鹄从质且桓 benchmark，，，
，，，但它问了一个其他榜单不问的问题。
。。。
。

给模子一道题，，，
，，，做对了得分，，，
，，，做错了不得分。
。。。
。这是绝大大都 benchmark 现在的事情方式，，，
，，，越来越像高考。
。。。
。

但真实天下里，，，
，，，人不是这么用 AI 的。
。。。
。

你不会给 Claude Code出一道题然后等它交卷。
。。。
。你会给它一个项目、一个代码库、一批数据，，，
，，，然后它在那里折腾好几个小时，，，
，，，探索、犯错、读反馈、修正、再试。
。。。
。你更体贴的是它浸泡在现实使命情形里一段时间之后，，，
，，，能不可比刚进来时更强。
。。。
。

但目今的 benchmark 险些测不出这些工具。
。。。
。它们丈量的是静态能力，，，
，，，模子被冻结的那一刻就知道的工具。
。。。
。至于从反馈里一连前进的能力、在长周期里积累履历的能力、在生疏情形里探索出偏向的能力，，，
，，，全在盲区里。
。。。
。

EdgeBench 的切口就是把盲区里的工具放进评测，，，
，，，解答一个问题：把Agent扔进一个生疏情形，，，
，，，12小时后，，，
，，，你能变强几多？
？？

134个使命横跨六大领域：科学/ML、软件工程、组合优化、专业知识事情、形式化数学、交互式游戏

为此，，，
，，，Seed 团队搭了一个叫 EdgeBench 的实验平台。
。。。
。这是一个情形学习视察舱。
。。。
。134 个使命，，，
，，，每个使命设计合约让 Agent 至少跑 12 小时。
。。。
。

它的设计围绕四个焦点维度睁开：

5 个前沿模子（Claude Opus 4.8、GPT-5.5、GPT-5.4、GLM-5.1、DeepSeek-V4-Pro）在上面总共跑了约 38,000 小时。
。。。
。

经费在燃烧。
。。。
。但最终的效果价值重大：

他们找到了 Agent 的 Scaling law。
。。。
。

四个发明：公式、路径、实质、速率

1 ）agent学习有一条被写死的数学公式

134 个使命平均：5 个模子的学习曲线被 log-sigmoid 函数高精度拟合

这是全篇论文的“灵魂发明”。
。。。
。

此前我们大多默认情形学习是一件杂乱的事，，，
，，，差别使命、差别模子、差别战略，，，
，，，纪律自然也差别。
。。。
。但他们的数据给出了意料之外的谜底：

134 个使命的平均学习曲线，，，
，，，被统一个函数以 R? = 0.998 的精度准确拟合。
。。。
。

R? = 0.998 是什么意思？
？？ 在人机交互和重大系统研究里，，，
，，，你能看到 R? = 0.3 就已经敢写论文了。
。。。
。0.998 实质上不是一个"拟合问题"，，，
，，，这是一个发明。
。。。
。若是我知道一个 Agent 前两小时的前进速率，，，
，，，在使命荟萃的平均意义上，，，
，，，我就能较量准确地展望它 12 小时后的水平。
。。。
。

曲线展示被测模子的学习体感大致都是：一最先慢、找到感受后爆发、靠近天花板时又放缓。
。。。
。这和任何有过深度学习或深度事情履历的人的体验完全吻合。
。。。
。

并且，，，
，，，这个纪律跨标准建设：无论是 12 小时、28 小时照旧 72 小时的实验窗口，，，
，，，拟合精度所有坚持在 R? ≥ 0.993。
。。。
？
？？缌煊蛞步ㄉ瑁毫笫姑易甯髯阅夂希，，
，，，R? 在 0.972 到 0.998 之间。
。。。
。

2）没有“标准”的生长路径

这个发明更有现实意义。
。。。
。

把 134 个使命的单使命学习曲线拉开来看，，，
，，，你会发明一件反直觉的事：虽然平均曲线是漂亮的 log-sigmoid，，，
，，，但单条曲线之间差别极大。
。。。
。

- 有的使命：Agent 一上来就稳步提升，，，
，，，曲线清洁

- 有的使命：前几个小时纹丝不动，，，
，，，突然在某个时刻分数跳升

- 有的使命：先涨后跌再涨

- 有的使命：一最先快速上升，，，
，，，然后进入漫长的平台期

差别的学习战略和试错范式，，，
，，，在统一个评分框架下会爆发截然差别的生长路径。
。。。
。

Agent不但是“学得快”和“学得慢”的区别。
。。。
。它们在怎么学上有实质差别，，，
，，，若是是只看最终分数而不看历程的评测方式，，，
，，，就完全抹平了这个维度。
。。。
。论文的诠释是，，，
，，，使命是一张能力争，，，
，，，学习是解锁前沿向外扩张，，，
，，，在对数时间上走一条logistic曲线。
。。。
。单使命节点少以是锯齿，，，
，，，使命够多平均后S形浮现。
。。。
。论文问题里谁人scaling law，，，
，，，指的就是这条曲线。
。。。
。

3）“重新明确问题”创立真前进

有履历 vs 无履历比照：一连运行积累履历比 6 次自力重启多出 6.9 分的显著优势

统一个模子（Opus 4.8），，，
，，，同样的 12 小时预算：

- 方案 A：让它一连跑 12 小时，，，
，，，所有中心产品、过失纪录、已验证假设所有保存

- 方案 B：拆成 6 次自力的 2 小时跑，，，
，，，每次清空所有状态，，，
，，，只保存最佳效果

12 小时后，，，
，，，方案 A 例如案 B 多了 6.9 分（百分制）。
。。。
。并且两条曲线从一最先就分道扬镳。
。。。
。

这说明前进不是靠运气多试出来的，，，
，，，而是靠履历积累出来的。
。。。
。

值得关注的是实验中的引力波重修案例研究。
。。。
。GPT-5.5 在这个使命上跑了 12 小时，，，
，，，提交了 224 次，，，
，，，但真正推动最佳效果前进的只有 27 次提交。
。。。
。

每一次突破都不是由于"多跑了一个实验"，，，
，，，而是由于 Agent 对问题自己的明确爆发了质变。
。。。
。它把模糊的目的逐步拆解为可搜索的子问题，，，
，，，从反馈中重新界说了"什么是更好的偏向"。
。。。
。

4）学习速率自己正在被“学习”

这个发明可能是跟工业关系最细密的一个。
。。。
。

实验挑了一组所有模子“起跑线相近”的使命（首次实验都在 6.87 分左右），，，
，，，然后丈量每个模子在 2 小时交互后能前进几多。
。。。
。

效果：从 2025 年 9 月的GPT-5-Codex到 2026 年 4 月的GPT-5.5，，，
，，，221 天内学习效率提升了 约 8 倍，，，
，，，约每 3 个月翻一番。
。。。
。

后期模子的有用提交率在上升，，，
，，，但提交次数纷歧定更多。
。。。
；；痪浠八担，，
，，，不是更勤快，，，
，，，而是每次下手更有用。
。。。
。这和工程实践的直觉一致，，，
，，，高级工程师纷歧定比初级工程师写更多行代码，，，
，，，但更少做无用功。
。。。
。

AI 的能力越来越像“知识”，，，
，，，但"学会新工具"的能力自己，，，
，，，也在以惊人速率进化，，，
，，，并且这个速率比静态知识增添更有决议性。
。。。
。

评测情形自己，，，
，，，和EdgeBench同样有价值

EdgeBench 看起来像一个模子排行榜，，，
，，，但它测到的不是裸模子能力，，，
，，，而是 Agent 系统能力。
。。。
。

差别模子跑在差别的执行框架上。
。。。
。Claude Opus 4.8 使用 Claude Code 加 1M 上下文窗口，，，
，，，GPT-5.5 使用 Codex 加 256K 紧凑窗口。
。。。
。最后的分数，，，
，，，既包括模子自己的能力，，，
，，，也包括上下文治理、工具挪用、反馈处理和执行框架的影响。
。。。
。

这反而靠近真实安排。
。。。
。现实中的 Agent 历来不是一个伶仃模子，，，
，，，而是模子、工具、事情流和反馈系统的组合。
。。。
。EdgeBench 真正权衡的，，，
，，，是这个组合系统能不可在长程使命里一连推进。
。。。
。

但这也意味着，，，
，，，榜单不可被粗暴明确成基础模子排名。
。。。
。它更像是在较量差别 Agent 系统的恒久事情能力。
。。。
。

把EdgeBench和主流 benchmark 放在一起看，，，
，，，差别会更清晰：

古板 benchmark 是“静态快照”，，，
，，，EdgeBench 是“动态轨迹”。
。。。
。它们不是在统一个维度上竞争。
。。。
。

但这个新维度不是没有价钱的，，，
，，，背后是重大的资源消耗。
。。。
。

和EdgeBench同样让我印象深刻的工具，，，
，，，是把这个实验情形搭起来意味着什么。
。。。
。

先说一组容易被忽略的账。
。。。
。134 个使命，，，
，，，每个使命平均消耗 57.2 小时的人类专家时间，，，
，，，最长的单个使命投了 320 小时。
。。。
。纵然按最低标准估，，，
，，，光使命构建这一项就投入了 7,500 小时以上的人力；；然后是运行本钱，，，
，，，5 个模子，，，
，，，每个模子在每个使命上跑 3 次，，，
，，，加上延伸至72小时以上的运行，，，
，，，每次 12 小时，，，
，，，总计约 38,000 小时的 Agent 交互时长，，，
，，，对应的是天文数字的 API 挪用和算力消耗。
。。。
。

这个本钱门槛自己就意味着，，，
，，，长程 Agent 评测不是随便一个团队就能入场的偏向。
。。。
。

再看工程细节。
。。。
。论文的附录纪录了在开发历程中被 Agent 攻破的种种误差：有 Agent 在流体力学使命中通过 400+ 次提交反推出了隐藏测试数据的谜底；；有 Agent 发明反作弊检核对 baseline/ 目录宽免，，，
，，，于是把代码塞进那条“免检通道”里交卷。
。。。
。这些案例袒露了一个深层的矛盾：想要测出“学习能力”，，，
，，，就必需给 Agent 足够的反。
。。。
；；但反馈给得越多，，，
，，，就越可能被 Agent 当成预言机来使用。
。。。
。

EdgeBench 的解决方案是物理隔离：事情容器和裁判容器脱离，，，
，，，裁判打完分就销毁，，，
，，，防止Agent“作弊”：

EdgeBench 的双环反馈机制：左边是 Agent 可以自由探索的事情容器，，，
，，，右边是隐藏裁判，，，
，，，提交后才返回权威评分

事情容器：Agent 在内里随便折腾，，，
，，，编译器、调试器、日志、文档全都有，，，
，，，但没有“隐藏谜底”裁判容器：Agent 提交工件后，，，
，，，裁判用隐藏测试数据和私有评分标准来打分，，，
，，，打完容器连忙销毁

这个设计很考究，，，
，，，实质上是在模拟“科场密封”和“双盲评审”的机制。
。。。
。把这个从工程层面做对，，，
，，，难度比设计问题自己大得多。
。。。
。这套双容器框架有自己的名字，，，
，，，SForge。
。。。
。字节把它连同134个使命中的51个一起开源了，，，
，，，构建情形的门槛还留在原地，，，
，，，使用它的入口已经翻开。
。。。
。

在做 benchmark 的人看到这，，，
，，，或许都会有一种“原来你们也被Agent坑过”的共识。
。。。
。

这也是为什么 EdgeBench 让我感受它不是“一个新的 benchmark ”，，，
，，，更多是一种新的软件评测系统。
。。。
。

它实质上是一个可视察的 Agent 运行情形。
。。。
。你把它当成“Agent 的 profiler”，，，
，，，可能比“一个新 benchmark”更准确。
。。。
。

把这个视角拉回到行业：目今大部分 Agent 评测还停留在“在某个测试集上一次性跑分”的阶段。
。。。
。EdgeBench 花了这么大价钱搭一个长程实验装置，，，
，，，它想回覆的问题着实很简朴，，，
，，，但很主要。
。。。
。

字节自己的“AI下半场”

EdgeBench是一个让人重新想问题的理由。
。。。
。

长程使命和短 benchmark 之间的差别，，，
，，，不是时间拉长了，，，
，，，而是袒露出来的问题完全差别。
。。。
。一个只跑 10 分钟的 benchmark，，，
，，，Agent的行为是可以预期的：读题、思索、输出、竣事。
。。。
。不会出什么幺蛾子。
。。。
。但当你把时间拉到 12 小时，，，
，，，贫困就多了。
。。。
。Agent 会在偏向准确的条件下逐步跑偏，，，
，，，修睦一个？
？？榈耐备惚懒硪桓；；会看不懂用户的反。
。。。
。，，
，，，把一个过失信号误读成另一个偏向，，，
，，，然后在过失的路上一连投入几小时。
。。。
。

退一步想“是不是偏向错了”，，，
，，，目今的 Agent在这方面尚有欠缺。
。。。
。这些问题在短 benchmark 里很难被视察到，，，
，，，但在真真相形中，，，
，，，件件致命。
。。。
。

因此，，，
，，，EdgeBench 的价值就是把 Agent 评测的标准从“会不会做”推进到了“会不会一连做、学习、再做”。
。。。
。这两个问题之间，，，
，，，隔着一次评测范式的代际跨越。
。。。
。

对评测的范式的重新思索，，，
，，，总让人想到现在在腾讯认真模子的姚顺雨曾提出的“AI下半场”的判断，，，
，，，某种水平上，，，
，，，EdgeBench 就是字节自己版本的“AI下半场”。
。。。
。

EdgeBench 把“Agent在情形里越跑越强”这个直觉酿成了可丈量的学习曲线。
。。。
。逻辑是同构的，，，
，，，只是这次标准不再是参数和算力，，，
，，，而是时间和反馈。
。。。
。

未来 AI 公司争取的焦点资源，，，
，，，不但是数据和算力，，，
，，，尚有能让模子重复试错、一连进化的情形。
。。。
。

点个“爱心”，，，
，，，再走 吧

今日相关部分宣布新研究报告3.8万小时、狂烧天价token：字节发明Agent的 Scaling Law

作者｜Ado微信｜ Ado__rs

7月2日，，，
，，，字节 Seed 宣布了一个 Agent评测项目 EdgeBench。
。。。
？
？？雌鹄从质且桓 benchmark，，，
，，，但它问了一个其他榜单不问的问题。
。。。
。

给模子一道题，，，
，，，做对了得分，，，
，，，做错了不得分。
。。。
。这是绝大大都 benchmark 现在的事情方式，，，
，，，越来越像高考。
。。。
。

但真实天下里，，，
，，，人不是这么用 AI 的。
。。。
。

你不会给 Claude Code出一道题然后等它交卷。
。。。
。你会给它一个项目、一个代码库、一批数据，，，
，，，然后它在那里折腾好几个小时，，，
，，，探索、犯错、读反馈、修正、再试。
。。。
。你更体贴的是它浸泡在现实使命情形里一段时间之后，，，
，，，能不可比刚进来时更强。
。。。
。

但目今的 benchmark 险些测不出这些工具。
。。。
。它们丈量的是静态能力，，，
，，，模子被冻结的那一刻就知道的工具。
。。。
。至于从反馈里一连前进的能力、在长周期里积累履历的能力、在生疏情形里探索出偏向的能力，，，
，，，全在盲区里。
。。。
。

EdgeBench 的切口就是把盲区里的工具放进评测，，，
，，，解答一个问题：把Agent扔进一个生疏情形，，，
，，，12小时后，，，
，，，你能变强几多？
？？

134个使命横跨六大领域：科学/ML、软件工程、组合优化、专业知识事情、形式化数学、交互式游戏

为此，，，
，，，Seed 团队搭了一个叫 EdgeBench 的实验平台。
。。。
。这是一个情形学习视察舱。
。。。
。134 个使命，，，
，，，每个使命设计合约让 Agent 至少跑 12 小时。
。。。
。

它的设计围绕四个焦点维度睁开：

5 个前沿模子（Claude Opus 4.8、GPT-5.5、GPT-5.4、GLM-5.1、DeepSeek-V4-Pro）在上面总共跑了约 38,000 小时。
。。。
。

经费在燃烧。
。。。
。但最终的效果价值重大：

他们找到了 Agent 的 Scaling law。
。。。
。

四个发明：公式、路径、实质、速率

1 ）agent学习有一条被写死的数学公式

134 个使命平均：5 个模子的学习曲线被 log-sigmoid 函数高精度拟合

这是全篇论文的“灵魂发明”。
。。。
。

此前我们大多默认情形学习是一件杂乱的事，，，
，，，差别使命、差别模子、差别战略，，，
，，，纪律自然也差别。
。。。
。但他们的数据给出了意料之外的谜底：

134 个使命的平均学习曲线，，，
，，，被统一个函数以 R? = 0.998 的精度准确拟合。
。。。
。

R? = 0.998 是什么意思？
？？ 在人机交互和重大系统研究里，，，
，，，你能看到 R? = 0.3 就已经敢写论文了。
。。。
。0.998 实质上不是一个"拟合问题"，，，
，，，这是一个发明。
。。。
。若是我知道一个 Agent 前两小时的前进速率，，，
，，，在使命荟萃的平均意义上，，，
，，，我就能较量准确地展望它 12 小时后的水平。
。。。
。

曲线展示被测模子的学习体感大致都是：一最先慢、找到感受后爆发、靠近天花板时又放缓。
。。。
。这和任何有过深度学习或深度事情履历的人的体验完全吻合。
。。。
。

并且，，，
，，，这个纪律跨标准建设：无论是 12 小时、28 小时照旧 72 小时的实验窗口，，，
，，，拟合精度所有坚持在 R? ≥ 0.993。
。。。
？
？？缌煊蛞步ㄉ瑁毫笫姑易甯髯阅夂希，，
，，，R? 在 0.972 到 0.998 之间。
。。。
。

2）没有“标准”的生长路径

这个发明更有现实意义。
。。。
。

把 134 个使命的单使命学习曲线拉开来看，，，
，，，你会发明一件反直觉的事：虽然平均曲线是漂亮的 log-sigmoid，，，
，，，但单条曲线之间差别极大。
。。。
。

- 有的使命：Agent 一上来就稳步提升，，，
，，，曲线清洁

- 有的使命：前几个小时纹丝不动，，，
，，，突然在某个时刻分数跳升

- 有的使命：先涨后跌再涨

- 有的使命：一最先快速上升，，，
，，，然后进入漫长的平台期

差别的学习战略和试错范式，，，
，，，在统一个评分框架下会爆发截然差别的生长路径。
。。。
。

Agent不但是“学得快”和“学得慢”的区别。
。。。
。它们在怎么学上有实质差别，，，
，，，若是是只看最终分数而不看历程的评测方式，，，
，，，就完全抹平了这个维度。
。。。
。论文的诠释是，，，
，，，使命是一张能力争，，，
，，，学习是解锁前沿向外扩张，，，
，，，在对数时间上走一条logistic曲线。
。。。
。单使命节点少以是锯齿，，，
，，，使命够多平均后S形浮现。
。。。
。论文问题里谁人scaling law，，，
，，，指的就是这条曲线。
。。。
。

3）“重新明确问题”创立真前进

有履历 vs 无履历比照：一连运行积累履历比 6 次自力重启多出 6.9 分的显著优势

统一个模子（Opus 4.8），，，
，，，同样的 12 小时预算：

- 方案 A：让它一连跑 12 小时，，，
，，，所有中心产品、过失纪录、已验证假设所有保存

- 方案 B：拆成 6 次自力的 2 小时跑，，，
，，，每次清空所有状态，，，
，，，只保存最佳效果

12 小时后，，，
，，，方案 A 例如案 B 多了 6.9 分（百分制）。
。。。
。并且两条曲线从一最先就分道扬镳。
。。。
。

这说明前进不是靠运气多试出来的，，，
，，，而是靠履历积累出来的。
。。。
。

值得关注的是实验中的引力波重修案例研究。
。。。
。GPT-5.5 在这个使命上跑了 12 小时，，，
，，，提交了 224 次，，，
，，，但真正推动最佳效果前进的只有 27 次提交。
。。。
。

每一次突破都不是由于"多跑了一个实验"，，，
，，，而是由于 Agent 对问题自己的明确爆发了质变。
。。。
。它把模糊的目的逐步拆解为可搜索的子问题，，，
，，，从反馈中重新界说了"什么是更好的偏向"。
。。。
。

4）学习速率自己正在被“学习”

这个发明可能是跟工业关系最细密的一个。
。。。
。

实验挑了一组所有模子“起跑线相近”的使命（首次实验都在 6.87 分左右），，，
，，，然后丈量每个模子在 2 小时交互后能前进几多。
。。。
。

效果：从 2025 年 9 月的GPT-5-Codex到 2026 年 4 月的GPT-5.5，，，
，，，221 天内学习效率提升了 约 8 倍，，，
，，，约每 3 个月翻一番。
。。。
。

后期模子的有用提交率在上升，，，
，，，但提交次数纷歧定更多。
。。。
；；痪浠八担，，
，，，不是更勤快，，，
，，，而是每次下手更有用。
。。。
。这和工程实践的直觉一致，，，
，，，高级工程师纷歧定比初级工程师写更多行代码，，，
，，，但更少做无用功。
。。。
。

AI 的能力越来越像“知识”，，，
，，，但"学会新工具"的能力自己，，，
，，，也在以惊人速率进化，，，
，，，并且这个速率比静态知识增添更有决议性。
。。。
。

评测情形自己，，，
，，，和EdgeBench同样有价值

EdgeBench 看起来像一个模子排行榜，，，
，，，但它测到的不是裸模子能力，，，
，，，而是 Agent 系统能力。
。。。
。

差别模子跑在差别的执行框架上。
。。。
。Claude Opus 4.8 使用 Claude Code 加 1M 上下文窗口，，，
，，，GPT-5.5 使用 Codex 加 256K 紧凑窗口。
。。。
。最后的分数，，，
，，，既包括模子自己的能力，，，
，，，也包括上下文治理、工具挪用、反馈处理和执行框架的影响。
。。。
。

这反而靠近真实安排。
。。。
。现实中的 Agent 历来不是一个伶仃模子，，，
，，，而是模子、工具、事情流和反馈系统的组合。
。。。
。EdgeBench 真正权衡的，，，
，，，是这个组合系统能不可在长程使命里一连推进。
。。。
。

但这也意味着，，，
，，，榜单不可被粗暴明确成基础模子排名。
。。。
。它更像是在较量差别 Agent 系统的恒久事情能力。
。。。
。

把EdgeBench和主流 benchmark 放在一起看，，，
，，，差别会更清晰：

古板 benchmark 是“静态快照”，，，
，，，EdgeBench 是“动态轨迹”。
。。。
。它们不是在统一个维度上竞争。
。。。
。

但这个新维度不是没有价钱的，，，
，，，背后是重大的资源消耗。
。。。
。

和EdgeBench同样让我印象深刻的工具，，，
，，，是把这个实验情形搭起来意味着什么。
。。。
。

先说一组容易被忽略的账。
。。。
。134 个使命，，，
，，，每个使命平均消耗 57.2 小时的人类专家时间，，，
，，，最长的单个使命投了 320 小时。
。。。
。纵然按最低标准估，，，
，，，光使命构建这一项就投入了 7,500 小时以上的人力；；然后是运行本钱，，，
，，，5 个模子，，，
，，，每个模子在每个使命上跑 3 次，，，
，，，加上延伸至72小时以上的运行，，，
，，，每次 12 小时，，，
，，，总计约 38,000 小时的 Agent 交互时长，，，
，，，对应的是天文数字的 API 挪用和算力消耗。
。。。
。

这个本钱门槛自己就意味着，，，
，，，长程 Agent 评测不是随便一个团队就能入场的偏向。
。。。
。

再看工程细节。
。。。
。论文的附录纪录了在开发历程中被 Agent 攻破的种种误差：有 Agent 在流体力学使命中通过 400+ 次提交反推出了隐藏测试数据的谜底；；有 Agent 发明反作弊检核对 baseline/ 目录宽免，，，
，，，于是把代码塞进那条“免检通道”里交卷。
。。。
。这些案例袒露了一个深层的矛盾：想要测出“学习能力”，，，
，，，就必需给 Agent 足够的反。
。。。
；；但反馈给得越多，，，
，，，就越可能被 Agent 当成预言机来使用。
。。。
。

EdgeBench 的解决方案是物理隔离：事情容器和裁判容器脱离，，，
，，，裁判打完分就销毁，，，
，，，防止Agent“作弊”：

EdgeBench 的双环反馈机制：左边是 Agent 可以自由探索的事情容器，，，
，，，右边是隐藏裁判，，，
，，，提交后才返回权威评分

事情容器：Agent 在内里随便折腾，，，
，，，编译器、调试器、日志、文档全都有，，，
，，，但没有“隐藏谜底”裁判容器：Agent 提交工件后，，，
，，，裁判用隐藏测试数据和私有评分标准来打分，，，
，，，打完容器连忙销毁

这个设计很考究，，，
，，，实质上是在模拟“科场密封”和“双盲评审”的机制。
。。。
。把这个从工程层面做对，，，
，，，难度比设计问题自己大得多。
。。。
。这套双容器框架有自己的名字，，，
，，，SForge。
。。。
。字节把它连同134个使命中的51个一起开源了，，，
，，，构建情形的门槛还留在原地，，，
，，，使用它的入口已经翻开。
。。。
。

在做 benchmark 的人看到这，，，
，，，或许都会有一种“原来你们也被Agent坑过”的共识。
。。。
。

这也是为什么 EdgeBench 让我感受它不是“一个新的 benchmark ”，，，
，，，更多是一种新的软件评测系统。
。。。
。

它实质上是一个可视察的 Agent 运行情形。
。。。
。你把它当成“Agent 的 profiler”，，，
，，，可能比“一个新 benchmark”更准确。
。。。
。

把这个视角拉回到行业：目今大部分 Agent 评测还停留在“在某个测试集上一次性跑分”的阶段。
。。。
。EdgeBench 花了这么大价钱搭一个长程实验装置，，，
，，，它想回覆的问题着实很简朴，，，
，，，但很主要。
。。。
。

字节自己的“AI下半场”

EdgeBench是一个让人重新想问题的理由。
。。。
。

长程使命和短 benchmark 之间的差别，，，
，，，不是时间拉长了，，，
，，，而是袒露出来的问题完全差别。
。。。
。一个只跑 10 分钟的 benchmark，，，
，，，Agent的行为是可以预期的：读题、思索、输出、竣事。
。。。
。不会出什么幺蛾子。
。。。
。但当你把时间拉到 12 小时，，，
，，，贫困就多了。
。。。
。Agent 会在偏向准确的条件下逐步跑偏，，，
，，，修睦一个？
？？榈耐备惚懒硪桓；；会看不懂用户的反。
。。。
。，，
，，，把一个过失信号误读成另一个偏向，，，
，，，然后在过失的路上一连投入几小时。
。。。
。

退一步想“是不是偏向错了”，，，
，，，目今的 Agent在这方面尚有欠缺。
。。。
。这些问题在短 benchmark 里很难被视察到，，，
，，，但在真真相形中，，，
，，，件件致命。
。。。
。

因此，，，
，，，EdgeBench 的价值就是把 Agent 评测的标准从“会不会做”推进到了“会不会一连做、学习、再做”。
。。。
。这两个问题之间，，，
，，，隔着一次评测范式的代际跨越。
。。。
。

对评测的范式的重新思索，，，
，，，总让人想到现在在腾讯认真模子的姚顺雨曾提出的“AI下半场”的判断，，，
，，，某种水平上，，，
，，，EdgeBench 就是字节自己版本的“AI下半场”。
。。。
。

EdgeBench 把“Agent在情形里越跑越强”这个直觉酿成了可丈量的学习曲线。
。。。
。逻辑是同构的，，，
，，，只是这次标准不再是参数和算力，，，
，，，而是时间和反馈。
。。。
。

未来 AI 公司争取的焦点资源，，，
，，，不但是数据和算力，，，
，，，尚有能让模子重复试错、一连进化的情形。
。。。
。

点个“爱心”，，，
，，，再走 吧

为了迎接暑期即将到来的客流岑岭，，，
，，，许多室内冰雪场馆通过调解价钱、推广线上消耗券等方式，，，
，，，进一步点燃了市场热情。
。。。
。

凯时AG

单杆破百 吴宜泽10-7暂时领先墨菲