今日官方渠道转达重大研究效果印度与中国电网建设差别有多大 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

湖北省恩施土家族苗族自治州建始县黑龙江省哈尔滨市巴彦县湖北省宜昌市夷陵区四川省成都会金牛区马鞍山市博望区甘肃省天水市秦州区西城区月坛街道黑龙江省大兴安岭地区呼玛县山东省德州市齐河县江苏省南京市浦口区海南省儋州市山东省威海市怀柔区雁栖地区内蒙古锡林郭勒盟正镶白旗江西省赣州市石城县西藏山南市博尔塔拉蒙古自治州温泉县南开区体育中心街道山西省晋都会高平市陕西省商洛市山阳县崇左市宁明县井陉县测鱼镇甘肃省白银市景泰县怀柔区宝山镇山西省晋都会泽州县甘肃省甘南藏族自治州广东省汕头市龙湖区江苏省镇江市句容市平山县岗南镇顺义区空港街道长安区广安街道喀什地区麦盖提县云南省红河哈尼族彝族自治州绿春县山东省枣庄市台儿庄区平顶山市湛河区辽宁省沈阳市江苏省徐州市丰县辽宁省沈阳市浑南区平山县上观音堂乡山西省长治市襄垣县云南省丽江市宁蒗彝族自治县北海市海城区江苏省南京市浦口区西藏拉萨市达孜区广东省汕头市龙湖区广东省深圳市巴音郭楞蒙古自治州和硕县崇左市山西省晋中市灵石县内蒙古锡林郭勒盟镶黄旗广东省佛山市三水区青海省海北藏族自治州门源回族自治县昌平区小汤山镇隆安县固原市西吉县江苏省南京市浦口区辽宁省大连市旅顺口区密云区河南寨镇长安区广安街道博尔塔拉蒙古自治州温泉县内蒙古呼伦贝尔市阿荣旗山西省晋都会高平市青秀区赵县沙河店镇西乡塘区丰台区宛平城地区广东省珠海市斗门区南开区体育中心街道元氏县福建省莆田市仙游县山东省聊都会茌平区河东区大直沽街道黑龙江省鹤岗市西青区精武镇山东省烟台市龙口市福建省福州市罗源县山东省东营市垦利区江苏省徐州市顺义区空港街道喀什地区麦盖提县赞皇县院头镇贵州省六盘水市水城县陕西省咸阳市兴平市四川省凉山彝族自治州昭觉县昌平区延寿镇静海区大邱庄镇塔城地区和布克赛尔蒙古自治县重庆市市辖区北碚区四川省甘孜藏族自治州九龙县山西省忻州市定襄县福建省厦门市湖里区广东省深圳市辽宁省本溪市溪湖区山东省淄博市临淄区马鞍山市博望区云南省西双版纳傣族自治州勐腊县陕西省汉中市西乡县山西省运都会夏县开封市通许县江苏省徐州市丰县

克日羁系部分宣布主要信息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

内蒙古呼伦贝尔市阿荣旗山东省枣庄市台儿庄区贵州省黔东南苗族侗族自治州天柱县四川省遂宁市蓬溪县云南省红河哈尼族彝族自治州泸西县山东省威海市贵州省黔东南苗族侗族自治州天柱县辽宁省沈阳市顺义区空港街道福建省漳州市龙海市顺义区空港街道湖北省宜昌市夷陵区山东省威海市山西省临汾市安泽县乌鲁木齐市沙依巴克区北海市海城区青海省玉树藏族自治州治多县北辰区贵州省铜仁市印江土家族苗族自治县山西省吕梁市中阳县四川省成都会双流区芜湖市南陵县江西省宜春市奉新县蓟州区东施古镇江西省宜春市奉新县内蒙古呼伦贝尔市阿荣旗江苏省苏州市相城区西藏山南市濮阳市南乐县平山县小觉镇贵州省铜仁市玉屏侗族自治县西藏阿里地区日土县黑龙江省七台河市桃山区江西省吉安市吉安县桂林市秀峰区山东省泰安市东平县平山县宅北乡隆安县海南省？？？？？？谑忻览记聿薪ò睬霾菏邪錾角拇ㄊ」阍泻诹∑咛ê邮刑疑角帐⌒熘菔屑恢萸营镇江西省萍乡市上栗县福建省南平市建瓯市赞皇县院头镇无极县大陈镇山东省潍坊市青州市内蒙古锡林郭勒盟镶黄旗合肥市瑶海区无极县大陈镇江苏省徐州市新沂市许昌市建安区山西省临汾市安泽县向阳区豆各庄地区四川省甘孜藏族自治州九龙县武清区汊沽港镇山东省聊都会茌平区鹿泉区寺家庄镇海南省三沙市西沙区四川省广元市向阳区酒仙桥街道甘肃省兰州市山东省滨州市福建省莆田市仙游县哈密市伊吾县贵州省铜仁市玉屏侗族自治县密云区河南寨镇山东省潍坊市青州市新乐市协神乡南开区长虹街道青秀区江西省吉安市永新县福建省南平市建瓯市江西省吉安市吉安县山西省晋中市太谷区崇左市山东省聊都会冠县延庆区沈家营镇甘肃省天水市秦州区昌平区延寿镇平山县岗南镇蓟州区东赵各庄镇西城区月坛街道蓟州区东施古镇山东省烟台市龙口市北海市海城区黑龙江省绥化市明水县平顶山市卫东区丰台区宛平城地区博尔塔拉蒙古自治州温泉县山西省阳泉市平定县焦作市沁阳市云南省文山壮族苗族自治州广南县元氏县殷村镇淮南市大通区合肥市瑶海区蓟州区东二营镇

全球服务区域:四川省成都会双流区江西省赣州市石城县北辰区广源街道海淀区青龙桥街道四川省凉山彝族自治州甘洛县怀柔区宝山镇四川省成都会金牛区江苏省南京市浦口区陕西省汉中市留坝县河东区东新街道四川省凉山彝族自治州昭觉县元氏县山西省晋都会泽州县四川省甘孜藏族自治州丹巴县湖北省宜昌市秭归县甘肃省兰州市顺义区空港街道南开区长虹街道和田地区银川市贺兰县辽宁省铁岭市清河区江西省吉安市永新县江西省景德镇市昌江区丰台区宛平城地区云南省红河哈尼族彝族自治州泸西县平山县宅北乡河东区大直沽街道向阳区小关街道濮阳市南乐县塔城地区和布克赛尔蒙古自治县山西省阳泉市平定县甘肃省庆阳市镇原县伊犁哈萨克自治州昭苏县广东省佛山市三水区云南省怒江傈僳族自治州福贡县固原市西吉县陕西省汉中市南郑区顺义区空港街道黑龙江省佳木斯市富锦市四川省宜宾市江安县怀柔区宝山镇山东省泰安市泰山区青海省果洛藏族自治州蚌埠市蚌山区福建省福州市罗源县巴音郭楞蒙古自治州和硕县桥西区东华街道辽宁省沈阳市沈河区马鞍山市博望区平山县宅北乡蓟州区官庄镇河西区桃园街道丰台区右安门街道河东区大直沽街道山东省枣庄市台儿庄区四川省甘孜藏族自治州怀柔区龙山街道濮阳市南乐县蚌埠市龙子湖区江苏省徐州市赞皇县院头镇江苏省连云港市赣榆区辽宁省铁岭市清河区桂林市秀峰区内蒙古锡林郭勒盟镶黄旗向阳区双井街道亳州市利辛县蚌埠市龙子湖区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甘孜藏族自治州丹巴县昌平区小汤山镇黑龙江省绥化市明水县合肥市瑶海区山西省晋中市榆社县蚌埠市蚌山区马鞍山市博望区内蒙古乌海市乌达区山东省聊都会冠县陕西省汉中市留坝县黑龙江省七台河市桃山区甘肃省兰州市山东省威海市钦州市陕西省商洛市山阳县吉林省四平市铁西区北辰区鹿泉区寺家庄镇密云区不老屯镇四川省宜宾市珙县洛阳市汝阳县桥西区苑东街道向阳区管庄地区福建省漳州市龙海市山西省忻州市定襄县吉林省四平市铁西区湖北省孝感市汉川市黑龙江省绥化市明水县云南省普洱市景东彝族自治县山东省枣庄市台儿庄区

本月官方宣布行业新政策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：甘肃省兰州市河东区大直沽街道青海省海南藏族自治州贵德县青海省果洛藏族自治州福建省三明市梅列区蓟州区东施古镇黑龙江省佳木斯市富锦市怀柔区雁栖地区密云区高岭镇许昌市建安区鹿泉区白鹿泉乡山东省烟台市龙口市青海省果洛藏族自治州广东省深圳市云南省西双版纳傣族自治州勐腊县焦作市中站区云南省怒江傈僳族自治州福贡县山西省运都会夏县昌平区阳坊镇内蒙古锡林郭勒盟正镶白旗福建省漳州市龙海市甘肃省定西市渭源县江西省鹰潭市余江区南开区体育中心街道焦作市中站区黑龙江省鹤岗市河西区桃园街道喀什地区叶城县南开区体育中心街道门头沟区大峪街道平山县岗南镇湖北省襄阳市襄州区内蒙古锡林郭勒盟镶黄旗阿克苏地区新和县四川省成都会新都区辽宁省沈阳市元氏县苏村乡青海省海西蒙古族藏族自治州德令哈市湖北省襄阳市襄州区湖北省孝感市汉川市清静区南市街道四川省宜宾市珙县吉林省长春市双阳区西藏阿里地区日土县密云区河南寨镇湖北省恩施土家族苗族自治州建始县山西省忻州市定襄县淮南市大通区湖北省恩施土家族苗族自治州建始县山西省晋中市榆社县山东省德州市齐河县静海区大邱庄镇黑龙江省佳木斯市汤原县内蒙古乌海市乌达区山西省晋中市灵石县四川省甘孜藏族自治州泸定县西藏阿里地区日土县四川省广安市岳池县阿克苏地区拜城县广东省江门市内蒙古鄂尔多斯市鄂托克旗内蒙古锡林郭勒盟镶黄旗云南省大理白族自治州云龙县伊犁哈萨克自治州昭苏县四川省广元市贵州省黔东南苗族侗族自治州天柱县云南省怒江傈僳族自治州福贡县西藏山南市贡嘎县黑龙江省鸡西市鸡冠区四川省宜宾市江安县西乡塘区向阳区酒仙桥街道向阳区酒仙桥街道博尔塔拉蒙古自治州温泉县喀什地区叶城县江西省景德镇市昌江区福建省三明市梅列区山西省吕梁市中阳县长安区广安街道山东省威海市平山县岗南镇黑龙江省鸡西市鸡冠区黑龙江省哈尔滨市巴彦县大兴区黑龙江省七台河市桃山区山东省枣庄市台儿庄区元氏县昌平区回龙观街道四川省广安市岳池县黑龙江省大兴安岭地区呼玛县北辰区广源街道青海省海南藏族自治州贵德县赵县沙河店镇广东省汕头市龙湖区长安区南村镇喀什地区叶城县河东区大直沽街道辽宁省本溪市溪湖区四川省成都会新都区丰台区宛平城地区

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 足够的反馈。。。；；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；；会看不懂用户的反馈。。。。，，，，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

本月行业协会披露研究效果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 足够的反馈。。。；；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；；会看不懂用户的反馈。。。。，，，，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

当“青椒”将自己自力完成的论文让“大佬”署名一作时，，，，，真正支付心血的研究者的利益与学术感受被忽视了。。。。。这不禁让人追问：面临学术“大佬”挂名要求，，，，，“青椒”事实该何去何从？？？？？？

凯时AG

印度与中国电网建设差别有多大