EdgeBench：揭示人工智慧在真實環境中學習的規模定律

EdgeBench是一個包含134個真實世界任務的基準測試，用於評估自主AI代理在長時間互動中的學習能力。它跟蹤每項任務超過12小時的效能軌跡，發現效能隨互動時間呈對數S形規模定律（R²=0.998）。基準測試涵蓋科學、軟體工程、最佳化、知識、形式推理和遊戲等類別。領先模型如Claude Opus 4.8和GPT-5.5顯示出隨著互動時間增加而持續改進的趨勢。