EdgeBench：揭示从真实环境中学习的缩放定律

预训练缩放定律表明模型能力随数据和算力可预测提升，但部署后从真实环境的学习机制尚不明确。本文通过分析 134 个真实任务中约 3.8 万小时的 Agent 交互数据，首次发现环境学习过程中的整体性能遵循高精度的对数 -Sigmoid 缩放定律（R^2=0.998），且 Agent 学习速度每三个月翻番。研究基于 EdgeBench 基准，涵盖科学发现、软件工程等长周期任务，旨在加速 Agent 从经验中学习的机理研究。