智能體進化新刻度：字節Seed發佈EdgeBench基準測試

在人工智慧技術快速演進的浪潮中，如何客觀且科學地衡量智能體（Agent）在真實世界中的持續學習能力，已成為學術界與產業界共同關注的核心課題。近期，字節跳動旗下 Seed 團隊正式推出名為「EdgeBench」的超長程評測基準，為這項研究提供了一個全新的量化標尺，標誌著智能體進化進入更精準的量測階段。EdgeBench 的設計初衷，在於填補傳統短時任務評測的空白，將焦點轉向「真實世界環境學習」的深度模擬。該基準收錄了 134 項橫跨六大領域的真實任務，每一項任務皆要求智能體持續運作至少 12 小時。

這樣的設計打破了過去僅以分鐘或小時計的測試模式，逼真地再現了智能體在複雜、動態且充滿變數的現實情境中，如何長時間適應、調整與進步。為了建構這套嚴謹的測試體系，研發團隊投入大量資源，累計採集了約 3.6 萬小時的真實任務數據。透過這些紮實的資料基礎，研究人員得以觀察智能體在長期運作下的學習曲線，並從中提煉出極具規律性的行為模式。研究結果顯示，智能體在環境學習中的表現遵循一條高精度的 log-sigmoid 曲線，其擬合優度（R²）高達 0.98 以上，反映出學習過程具備高度可預測性與結構性。這項發現對於理解智能體如何逐步掌握環境規則、優化決策策略具有深遠意義。

以往學界常以短期任務表現來評估模型能力，卻忽略了長時間尺度下可能出現的衰退、遺忘或過度擬合現象。EdgeBench 提供的連續監測數據，讓研究人員能精確捕捉智能體在數小時至數十小時內的學習動態，進而判斷其真正具備的適應力與穩定性。更值得關注的是，EdgeBench 的數據分析進一步揭露了前沿模型的演進速度。從 2025 年 9 月到 2026 年 5 月這段期間，頂尖模型的學習速度呈現出每三個月翻一番的強勁成長趨勢。這意味著，在不到一年的時間內，智能體的學習效率已經提升了數倍，呼應了 AI 領域中模型能力加速迭代的普遍觀察。

這項趨勢背後，反映的不僅是硬體算力的提升，更包括訓練資料品質、演算法設計與評測框架本身的進步。EdgeBench 的推出，正是為業界提供一個統一的比較基礎，讓不同模型在相同條件下進行公平的長期評估，從而避免單純以短時任務成績論英雄的偏誤。從技術層面來看，EdgeBench 所採用的六大領域涵蓋了日常生活、專業應用、互動溝通、資料處理、工具操作與環境探索等面向。每個領域內的任務設計皆力求貼近實際應用場景，例如需要智能體在數小時內持續監控變化、自主學習新技能，或是在不斷變動的參數中尋找最優解。這種多樣化的任務設計，確保了評測結果的全面性與代表性。

值得一提的是，EdgeBench 並非僅是靜態的測試集，而是一套可持續擴充的動態框架。研發團隊表示，未來將根據技術演進與應用需求，定期更新任務清單與難度等級，以保持基準的時代性與挑戰性。這項設計也使得 EdgeBench 能夠適應不同階段的 AI 發展，避免評測標準過時。對於整個 AI 社群而言，EdgeBench 的出現補齊了長期學習能力量測的缺口。過去數年，各類基準測試如雨後春筍般湧現，但多數聚焦於單一任務、短時間內的表現。當模型在短時任務上陸續突破天花板後，業界開始意識到，真正的智慧不僅來自於一次性的正確判斷，更來自於在持續運作中學習、記憶與修正的能力。

字節 Seed 團隊的這項成果，也為後續研究提供了新的方向。例如，基於 log-sigmoid 曲線的高擬合度，未來或許可以開發出預測智能體長期表現的模型，從而提前調整訓練策略或架構設計。而學習速度每三個月翻倍的趨勢，則意味著若維持此成長動能，到 2026 年底，智能體的長期學習效率將達到當前水準的八倍以上。當然，EdgeBench 本身仍有其局限性。134 個任務雖然涵蓋六大領域，但相較於現實世界中無限多變的情境，仍屬樣本抽樣。此外，12 小時的持續運作門檻對某些任務而言可能過高或過低，如何最佳化任務長度與多樣性，將是後續版本需要思考的課題。

總體而言，EdgeBench 的發布不僅提供了一個具備高信效度的評測工具，更揭示出智能體學習能力的可量化規律與快速成長態勢。對於企業研發團隊與學術研究者而言，這套基準有望成為日後評估長期學習能力的重要參考依據。而隨著更多模型在 EdgeBench 上進行測試，業界也將能更清晰地掌握 AI 持續進化的真實步伐。