AI智能体具备“边干边学”能力，进化速度令人惊叹

在人工智能的评估体系中，衡量模型在训练阶段掌握的“静态知识”已有一套成熟标准，但真实世界的工作往往要求AI像一名人类新员工那样，在部署后通过与环境的互动来持续学习与不断改进。字节跳动Seed团队的最新研究，系统性地揭示了这种“边干边学”能力的内在规律。他们构建了一个模拟真实工作场景的测试平台，并通过超过38000小时的智能体工作数据，发现了AI学习进程的高度可预测性：其进步轨迹精确符合某种数学形态，且学习效率正以大约每三个月翻倍的速度持续加速。

这项研究的预印本论文（编号arXiv:2607.05155v1）于2026年7月7日发布，通讯作者为钟树（zhongshu@bytedance.com），并设有项目主页edge-bench.org以供深入了解。

一、为何要研究AI“边干边学”的能力？

大多数人认为，AI的进步源自海量数据和强大算力的大规模训练。然而，这种模式与人或AI在真实世界中的工作方式截然不同。一名刚入职的新员工，不可能在上班前就掌握公司所有的内部规章制度、私有代码库和客户档案，他必须在实际工作中边做边学。

AI模型同样面临这一困境。训练数据存在三大局限：

• 信息缺失：许多关键信息，如公司的内部代码库或私有文档，根本不存在于公开数据中。
• 过程缺失：即便原始数据存在，也缺少人类专家在获得这些知识过程中反复试错、根据反馈调整的“中间过程”。
• 动态变化：世界不断变化，新的工具和问题层出不穷，固定的训练数据无法覆盖。

因此，一个AI系统在被部署到真实工作场景后，主动从环境中获取信息并改进自身的能力，成为衡量其实际价值的核心指标。而在这项研究之前，学界对这种“环境学习”是否遵循可预测的规律，几乎一无所知。

二、EdgeBench：一座容纳134个真实挑战的考场

为了测量AI的“边干边学”能力，研究团队构建了名为EdgeBench的测试平台。其设计理念是“尽量贴近真实工作”。

团队与各领域专家合作，从六大能力方向精心挑选了134个任务：

• 科学研究与机器学习
• 系统软件工程
• 组合优化
• 专业知识工作
• 形式数学与定理证明
• 互动游戏与模拟器

这些任务并非简化版练习题，而是真实世界中需要耗费大量精力的工作。例如：用Lean 4语言形式化证明费马大定理的正则情形、重新实现FFmpeg的像素格式转换库、用物理模型重建引力波信号。每个任务都被设计成至少需要AI持续工作12小时才能充分探索。相比之下，人类专家完成这些任务的平均时间是57.2小时，最长的一个甚至需要320小时。

EdgeBench特别排除了主要考察“视觉理解”能力的任务，以便纯粹测量模型“从反馈中学习并改进”的能力。

三、双重反馈回路：快速探索与权威评判

EdgeBench的评测机制模拟了人类工程师的两种反馈循环：

• 快速本地反馈：AI在一个隔离的“工作容器”中，可以使用本地验证工具（如编译器、本地测试集）进行快速迭代。这个过程很快，可反复进行。
• 权威外部反馈：当AI准备好后，可将成果提交给独立的“评测容器”（含有隐藏测试案例），获得分数和诊断性反馈。提交后有冷却时间限制，防止无序刷分。

这种设计让AI既能快速探索，又能获得真实、客观的能力校准。同时，AI在提交后可以继续工作，无需等待评测结果，这与真实的异步工作流程一致。

四、那条几乎完美的S形学习曲线

研究团队评测了五款前沿模型：Anthropic的Claude Opus 4.8、OpenAI的GPT-5.5和GPT-5.4、智谱的GLM-5.1，以及DeepSeek-V4-Pro预览版。每个模型在每个任务上独立运行三次12小时。

观察单个任务的学习曲线，通常是凹凸不平的。但当研究团队将全部134个任务的性能曲线取平均后，奇迹发生了：一条极其光滑、形态优雅的S形曲线浮现出来。这条曲线可以被一个仅有三个参数的数学公式精确描述：

S(t) = Smax / (1 + (tmid/t)^β)

在这个公式里：

• Smax：模型理论上能达到的最高分数上限。
• tmid：达到一半最高分所需的时间，tmid越小，模型越快进入快速进步期。
• β：控制曲线在对数时间轴上的陡峭程度。β越大，进步越集中；越小，则进步分布更均匀。

这个公式的拟合精度极高，五个模型的平均R²值达到了0.998，这在实验科学中几乎是最高值。这个规律不仅在全部任务上成立，还分别对六大类任务进行拟合，最低R²也达到0.972。

五、能预测未来的曲线

只使用前6.5小时的数据拟合公式，然后用得出的参数预测接下来6.5到12小时的性能走势。结果显示，五个模型的预测准确度相当高：预测段均方根误差（RMSE）全部低于1个百分点。这意味着，只要观察一个模型学习任务的前一半时间，就能相当准确地预测出它后半段的表现。

六、S形曲线从哪里来：任务图理论的解释

研究团队没有止步于描述现象，还提出了一套基于任务图论的理论解释。核心思想是将一个复杂任务视为一张由“得分节点”组成的地图。每个节点代表一项子能力或成就，节点间的边表示能力间的依赖关系（解锁A有助于解锁B）。

AI学习的过程，就是不断解锁前沿节点的过程。已解锁的区域越大，对前沿的“推进力”越强；但随着剩余锁定区域缩小，可解锁空间变得有限。这两种力量叠加，自然产生“先慢后快再慢”的S形进步。当多个独立任务的学习曲线被平均后，其形态正是光滑的S形。

七、为什么是S形？与其他形状的对比

为了证明S形曲线比其他形状更合适，研究团队系统地比较了五种增长模型：

• 对数S形(Logistic)：均方根误差最低，为0.390。
• 对数正态分布(Log-Probit)：0.398
• 对数Gompertz分布：0.402
• Weibull累积分布：0.404
• 简单对数线性模型：0.717，效果最差。

结果显示，对数S形曲线的拟合精度最优，其背后的机制（已解锁进度×剩余空间）也解释了前文提到的任务图理论。

八、学习速度：每三个月翻倍

研究团队还关心，随着时间推移，前沿模型的学习速度是否在加快？他们从EdgeBench中挑选了一个特殊的18个任务子集，这些任务的特点是所有模型的起跑线基本一致（初试平均分约6.87），因此后续差异主要来自学习效率。

从2025年9月发布的GPT-5-Codex到2026年4月发布的GPT-5.5，学习速度在221天内增长了约8倍。用指数增长拟合后，对应的倍增周期约为三个月。有意思的是，这种加速主要源于模型每次提交的“有效性”提升，而非单纯提高提交频率。

九、连续学习 vs. 反复重来

为了排除“AI成绩提升只是靠多次尝试”的可能性，研究团队设计了一个实验。让Claude Opus 4.8在17个任务上，以两种方式使用相同的12小时总预算：

• 有积累地连续工作：持续运作，保留所有历史。
• 无积累的独立重试：将12小时分为6份，每次从零开始，取最好成绩。

结果，连续学习的方式获得了43.0分，而重复重试只获得36.1分。这个差距证明了AI确实从历史经验中获得了实质性收益。

十、更长的上下文窗口，更强的学习能力

为了验证“记忆容量”对学习能力的影响，研究团队对比了Claude Opus 4.8在200K词元与100万词元两种上下文长度下的表现。结果显示，拥有更长上下文窗口的AI（1M版本）在所有时间节点上都稳定领先。这说明，即便有外部文件存储等辅助工具，模型自身的上下文容量仍是不可替代的因素。

十一、一个具体案例：引力波信号重建

研究团队对一个具体的“引力波信号重建”任务进行了细致分析。一个GPT-5.5智能体在这个任务上工作了12小时，提交了224次，其中仅27次真正提升了最佳分数（约88%的提交无效，这符合真实科研常态）。

研究团队识别出七个关键里程碑，展示了“信息解锁信息”的机制：从初始构建流程，改进频率估计方法，到识别“源动力学”为薄弱环节并集中攻克，最终以67.0分收尾。这个案例完美展示了AI如何通过每次有意义的提交获得的反馈，来调整搜索方向。

十二、数学定理证明：一项“硬骨头”任务

在六大类任务中，“形式数学与定理证明”类任务的模型表现差异最为悬殊。例如，Claude Opus 4.8的12小时平均得分为55.0，而DeepSeek-V4-Pro仅为14.1。这类任务采用严格机器校验，无中间地带，且存在传递依赖（引理A未证明则证明B不成立）。

这些数据说明，评估AI能力不能简单论“好”或“坏”，而应结合具体任务类型和时间预算，分析其在特定场景下的学习效率。

十三、S形规律的边界

研究团队对规律保持了谨慎，指出了其可能失效的情况：

• 当任务图存在强依赖的“瓶颈”节点时，可能出现长时间停滞与断崖式跃升。
• 当各任务的“半程时间点”分布极为分散时，平均S形曲线会变形。
• 当任务受固定时间节奏（如每日数据更新）影响时，对数时间轴假设失效。

此外，公式中的Smax应被理解为“当前时间窗口和评测条件下的可达上限”，而非绝对天花板。

总结与展望

字节跳动Seed团队的这项研究首次系统性地证明了，AI智能体在真实环境中“边干边学”的能力是有规律可循的。那条R²高达0.998的S形曲线，以及学习速度每三个月翻倍的趋势，为AI在复杂工作中的大规模部署提供了量化基础。

一个值得思考的问题是：当AI从环境中学习的速度已经可以被精确预测和量化时，我们应该如何规划AI与人类协作的工作方式？这条可预测的学习曲线，意味着我们可以提前估算“给AI多少时间，能期望它达到什么水平”。这种可预测性，正是大规模部署AI完成复杂工作的前提。研究团队已公开发布EdgeBench中的51个任务和评测框架，供后续研究者使用。

常见问题（Q&A）

• Q1：EdgeBench测试平台评测的是AI的什么能力？
  • A：EdgeBench评测的不是AI的固有知识，而是它在真实任务环境中，通过与环境交互、获取反馈来持续改进自身的能力，即“边干边学”的能力。平台设计了双重反馈机制来模拟真实工作。
• Q2：对数S形学习曲线的三个参数分别代表什么？
  • A：公式S(t) = Smax / (1 + (tmid/t)^β)中，Smax是理论成绩上限，tmid是达到一半上限所需的时间（越小越快进步），β是陡峭程度（值越大进步越集中）。
• Q3：AI学习速度每三个月翻倍的结论是怎么得出的？
  • A：研究团队从EdgeBench中选取了18个任务（所有模型初试得分相近，约6.87分），测量了从2025年9月到2026年4月间发布的多款模型在2小时内的得分提升幅度。从GPT-5-Codex到GPT-5.5，这个提升幅度增长了约8倍，对应的倍增周期约为三个月。