过去几年，预训练规模定律（Scaling Law）几乎成为行业共识——模型能力随着数据量和算力的增长，以相对可预见的方式持续提升。然而，当大模型真正步入真实世界应用场景后，一个更贴近实际的问题浮出水面：它能否在与环境的持续交互中继续学习，并不断增强自身能力？
近日，EdgeBench正式发布——这是一套专注于衡量真实世界环境学习的超长程评测基准。该评测集包含134个真实且多样化的任务，横跨六大能力领域，每个任务都支持Agent持续工作至少12小时。
基于这些任务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，平均拟合优度（R²）达到0.998。同时，不同代际前沿模型的对比显示，Agent的学习速度大致呈现每三个月翻一番的趋势。
目前，EdgeBench已开源其中51个任务及完整评测框架，供社区深入研究Agent如何从真实世界环境中学习与进化。
1. 衡量真实世界环境学习的超长程评测基准
真实世界中模型的表现，不仅仅取决于它在训练阶段学到的内容。许多关键知识并未直接存在于训练语料中，真实工作所依赖的也不仅是现成信息，还包括反复试错、解读反馈以及持续修正的过程。
与此同时，现实环境本身始终处于动态变化之中——新工具、新问题和新知识不断涌现，这意味着任何静态的训练数据都无法提前覆盖所有可能性。因此，Agent从环境中学习并持续提升任务表现的能力，正变得日益重要。
当前大多数模型评测基准，主要衡量模型已有的知识和能力。而EdgeBench更关注的是，当Agent拥有充足时间、反馈信号和改进空间时，它如何从真实世界环境中汲取经验并持续进步。EdgeBench在任务设计上具备以下显著特点：
面向环境学习：每个工作区、反馈信号和评分器都贴近真实实践，分数直接体现Agent在环境中的学习与改进效果。
超长时程：每个任务支持12小时以上的连续运行，部分延长实验超过72小时——经验正是通过这样的长期积累逐步形成的。从已记录人工投入的任务来看，人类专家完成单个任务平均耗时57.2小时，最高达到320小时。
覆盖六大领域：134个任务涵盖科学、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，其中超过90%的任务为全新构建。
EdgeBench的任务分类概览
2. 发现环境学习中的规模定律（Scaling Law）
在EdgeBench中，Agent并非一次性提交结果后结束，而是不断与任务环境进行交互，并接收评分、错误信息以及改进线索等反馈。正因如此，曲线反映的并非Agent一次性完成任务的能力，而是其在持续交互中吸收反馈、调整策略并逐步优化结果的能力。
基于Agent在134个真实世界任务中累计约38000小时的环境交互记录，可以清晰看到：Agent的表现并非静态固定，而是能够在与环境持续交互的过程中不断学习、持续提升。
但从整体来看，Agent在环境学习中的成长轨迹并不单一。除了最终表现的差异外，它们在学习、吸收反馈和持续改进的过程中也展现出明显不同的路径——有些稳步提升，有些前期快速进步后进入平台期，也有一些在长时间停滞后才迎来突破性进展。
Agent在三个任务中12小时内的学习曲线，从左到右分别为稳步提升、前期快速进步、后期突破三种典型模式
以引力波任务中的一次12小时运行为例，GPT-5.5在247次评分尝试中将分数从42.8提升到67.0。这一案例表明，环境学习并非简单的连续调优：分数的关键跃升往往源自Agent根据反馈重新定义、拆解并组织问题的方式转变。
Agent首先让任务可衡量，接着拆解失败环节、定位瓶颈，最后保留可用核心，只修补剩余错误
如果将视角从单个任务扩展到跨任务的整体表现，就会发现这种学习并非无序波动，而是呈现出高度稳定的整体规律。
每个模型都覆盖了134个任务，且每个任务经过3次独立运行，因此每个模型产生402条学习曲线。单独观察某一条任务轨迹时，Agent在环境中的表现常充满噪声与波动。但当这些轨迹按交互时间进行聚合平均后，整体收敛为一条形式简洁且高精度的log-sigmoid曲线：
这一函数形式不仅能够稳定拟合不同模型的平均学习轨迹，而且拟合精度极高，平均R²=0.998。这并非单纯的经验拟合现象，还可以从图探索（graph exploration）理论的视角进行解释。
从134个任务的平均结果来看，随着与环境交互时间的增加，Agent整体表现持续提升，详细分析可参阅论文原文
此外，我们还尝试回答另一个关键问题：模型从环境中学习的速度是否会随着代际演进而变化？
为尽量弱化模型先验知识与基础能力差异带来的干扰，我们选取了18个初始表现相近的任务，并对自2025年9月至2026年5月陆续发布的多代模型进行2小时评测，再通过这段时间内的性能提升幅度来刻画其“学习速度”。结果显示，随着模型代际演进，模型从环境中学习的速度显著加快，对于当时表现最领先的模型而言，这一速度接近每三个月翻一番。
不同版本大模型的学习速度变化趋势
3. 写在最后
随着模型从环境中学习的速度不断提升，未来模型之间的差异可能不仅体现在初始能力上，也将越来越体现在进入环境之后的学习速度上。对反馈的理解能力、经验积累能力以及策略调整能力，将日益成为模型在长时程、开放式任务中建立持续优势的关键因素。
EdgeBench的目标正是为这类探索提供一块坚实的基石——为相关研究和应用实践提供一个可衡量的起点。我们也期待未来有更多工作关注模型在开放环境中的学习、适应与改进。与此同时，我们将继续理解和研究那些在真实环境中持续创造价值的能力，以及未来决定AI上限的关键能力，不断探索未知的智能边界。
