字节 Seed 宣布推出了用于衡量真实世界环境学习的超长程评测集 EdgeBench。该评测集包含 134 个真实且多样的任务，横跨六大能力领域，Agent 在每个任务上都可持续工作至少 12 小时。其中 51 个任务及完整评测框架已开源。

“基于这些任务上的长程环境交互运行结果，我们发现，Agent 在“环境学习”过程中的整体表现遵循一条高精度的 log-sigmoid 曲线，平均拟合精度 R² 达到 0.998。同时，从不同代际的前沿模型来看，Agent 的学习速度大致呈现出每三个月翻一倍的趋势。”

根据介绍，EdgeBench 在任务设计上呈现以下特点：

• 面向环境学习：每个工作区、反馈信号和评测器都贴近真实实践，分数体现了 Agent 在环境中的学习和改进情况。
• 超长时程：每个任务都支持 12 小时以上的连续运行，部分延长实验超过 72 小时，让经验能够持续累积。从已记录人工投入的任务来看，人类专家完成单个任务所需的时间平均为 57.2 小时，最高达到 320 小时。
• 覆盖六大领域：134 个任务覆盖了科学、复杂软件工程、白领知识工作、算法优化、前沿数学和数字游戏，并由领域专家结合真实问题持续迭代，其中超 90% 任务为全新构建。