2026年7月，字节跳动旗下Seed团队正式推出面向智能体持续学习能力评测的超长程基准EdgeBench。该基准覆盖6大领域共134个真实场景任务，要求智能体单任务持续交互时长不低于12小时，研发团队累计采集3.8万小时交互数据搭建测试体系，测算得出智能体环境学习表现符合拟合优度达0.998的log-sigmoid曲线，为长时自主智能体研究提供标准化量化参考。
过去一年，大模型驱动的智能体产品正在从概念原型快速走向商用落地：从企业级的自动化运维助手到消费端的家庭服务机器人，能够自主完成多步任务的智能体已经成为AI领域最受关注的赛道之一。但与落地热情形成反差的是，行业始终缺乏一套能够真实衡量智能体长时运行能力的统一评测体系。
传统AI评测体系多针对大模型的基础能力设计，无论是通用知识测试MMLU还是推理能力测试GSM8K，均以单步或少数几步交互的问答任务为主。即便是此前专门针对智能体推出的评测基准，也大多仅要求智能体完成几十步交互，总运行时长不超过1小时，完全无法覆盖真实落地场景中的复杂情况。
登录后解锁全文，体验收藏、点赞、评论等完整功能
立即登录
滇公网安备 53252802528133号