header-langage
简体中文
繁體中文
English
Tiếng Việt
한국어
日本語
ภาษาไทย
Türkçe
掃碼下載APP
Partnered With:

大型模型到底能不能「边训练边推断」?字节跳动与Epoch AI 同日發表相反結論

据動察 Beating 監測,字節跳動 Seed 團隊發布智能體基準測試 EdgeBench,用於研究 AI 在 12 至 72 小時超長周期任務中的環境學習表現。在分析超過 3.8 萬小時的智能體運行記錄後,研究團隊發現 AI 的學習曲線高度可預測,智能體性能隨互動時間延長而提升,精準擬合對數邏輯斯蒂 log-sigmoid 曲線。研究者借用圖搜索理論解釋這一規律,認為智能體的進步如同在技能圖譜上向外擴張邊界。Seed 團隊已將基準測試框架及首批 51 個任務開源。

與之相反,研究機構 Epoch AI 同日發布 EBR-bench 評估結果得出不同結論。在對桌遊環境的測試中,即使提供策略指南,AI 在重複嘗試後也幾乎沒有表現出學習和自我改進行為。這一分歧表明,AI 的自主學習潛力受任務環境和反饋鏈路設計影響極大。在系統級工程或科學探索等需要連續環境反饋的場景中,智能體能夠建立起累積優勢,但在策略相對複雜的離散規則遊戲中,當前的在軌學習仍然舉步維艰。

相關推薦
使用權益證明的以太坊的獨特性在於參與者數量的最大化設計。它允許成百上千和成千上萬的驗證者活躍地參與決策過程。在筆者撰文時已經有大約 50 萬的驗證者實體(從協議的角度而言)在活躍地參與這個過程。
Anthropic's Enterprise AI Adoption to Surpass OpenAI by 2026
糾錯/舉報
提交
新增文庫
僅自己可見
公開
保存
選擇文庫
新增文庫
取消
完成