EdgeBench来了：字节Seed不考模型会什么，考它能不能学会

今天字节跳动Seed放出了EdgeBench，134个任务，六个领域——科学发现、复杂软件工程、组合优化、专业白领工作（金融教育医疗法律）、形式数学定理证明、交互游戏。不是什么普通的跑分，每个任务至少让模型连续跑12个小时，有的拉到了72小时。人类专家做一个平均57.2小时，最长320小时。

逻辑很简单：现有评测集都是"你有什么本事现在就亮出来"，EdgeBench要的不是一次性得分，是模型跟真实环境长期交互、吃反馈、改策略、逐步进步的能力。

团队用五款前沿模型在134个任务上收集了38000小时交互数据，然后发现了一条规律——所有任务聚合后，模型表现随交互时间走出一条log-sigmoid曲线，拟合精度R²=0.998。换句话说，从早期的学习速度，基本能推算出后期的上限。这个规律从图扩展理论出发也能解释：每个任务像一张知识网，已解锁的节点给相邻区域提供了扩散通道，整体进度自然收敛成sigmoid形态。

跨代际的另一个发现更实际：模型从环境里学习的速度，大约每三个月翻一倍。对产业来说，这场军备竞赛拼的不是谁训练时吃了多少数据，而是谁上场之后学得更快。

有意思的是一个细节。GPT-5.5跑引力波任务，12小时内提交了224次，只有27次真正提升了最优成绩，但总分从42.8拉到了67.0。大跳跃往往不是细碎调优的结果，而是模型根据反馈重新把问题定义拆解了一遍——识别瓶颈、保留可用部分、聚焦修补残局。对比不同模型提交效率和最终成绩的关系也很说明问题：强模型提交次数不多，但每次提交的质量高，改在点子上；弱模型反而容易盲目信任本地反馈信号，在不该使劲的地方反复试。

EdgeBench已经开源了51个任务和完整评测框架。大模型赛道后半程的逻辑正在变：从"考你记住了什么"到"看你能不能学会"，从刷分到真正的环境适应能力。EdgeBench给这个转向提供了一个可量化的坐标系。