EdgeBench：揭示人工智能在真实环境中学习的规模定律

EdgeBench是一个包含134个真实世界任务的基准测试，用于评估自主AI代理在长时间交互中的学习能力。它跟踪每项任务超过12小时的性能轨迹，发现性能随交互时间呈对数S形规模定律（R²=0.998）。基准测试涵盖科学、软件工程、优化、知识、形式推理和游戏等类别。领先模型如Claude Opus 4.8和GPT-5.5显示出随着交互时间增加而持续改进的趋势。