字节 Seed 最近发布了一个 Agent 评测项目 EdgeBench。乍看之下，它依然像一个常见的 benchmark，但它实际上抛出了一个其他榜单很少追问的问题。
现在大多数 benchmark 的逻辑，都是给模型出一道题：做对就得分，做错就零分。这种模式越来越像一场标准化考试，清晰、直接，却也越来越接近“只看结果、不看过程”的单点测量。
但真实世界里，人类使用 AI 的方式根本不是这样。你不会给 Claude Code 出一道题，然后站在原地等它交卷。你会把一个项目、一整个代码库，或者一批数据交给它，让它在里面连续折腾几个小时：不断探索、试错、读取反馈、修正判断，再重新尝试。
真正值得关注的，不是它在一次性题目里能不能答对，而是它在现实任务环境中浸泡一段时间后，能力会不会比刚进入时更强。遗憾的是，当前大多数 benchmark 还很难测出这种“长期适应”和“持续进化”的能力。
相关快讯
八位数授权费背后，AI制药正在集体卖「模型」
2026年AI制药合作将更密集，核心驱动力来自AI大模型的持续突破。2025年Evo2、boltz-2、Chai-2等模型集中发布，显著点燃行业热情，也带动巨头投资和合作加速涌入。以大模型为底座的医药AI Agent和自动化实验室，正推动药物发现、临床设计和生产优化等环节重塑研发逻辑，吸引英伟达、OpenAI、微软、谷歌等进一步入局。
蚂蚁灵波开源具身操作基座模型 LingBot-VLA 2.0，5万小时真机数据破解行业痛点
LingBot-VLA系列定位为具身智能领域的“行业通用大脑”，目标是以一套通用模型解决“一脑多机”的泛化难题。其核心优势在于跨平台迁移能力，从适配单一机器人扩展到可覆盖20种本体与场景。预训练阶段汇聚2万小时高质量双臂机器人真机轨迹数据，并依托高效训练体系，在8卡GPU混合并行下实现单卡261 samples/秒的吞吐率。
3.8万小时、天价Token背后：字节如何发现Agent的 Scaling Law
字节 Seed 发布的 EdgeBench 评测显示，5 个前沿模型累计跑了约 3.8 万小时，核心结论是找到了 Agent 的 scaling law。论文指出：134 个任务的平均学习曲线可被 log-sigmoid 高精度拟合，说明 Agent 学习存在稳定的数学规律，并据此总结出公式、路径、本质和速度四个发现。
美团悄然跑通万亿大模型，骑手背后的技术底牌曝光
美团悄悄发布了万亿参数大模型 LongCat-2.0，参数量达 1.6 万亿，全球能驾驭这一规模的模型屈指可数。更引人关注的是，它并非在英伟达 GPU 上训练，而是首次在五万张国产算力卡上完成全流程训练与推理。表面看像外卖平台跨界做 AI，实则反映出外卖业务背后极高的复杂度，以及美团对前沿算力和大模型能力的布局。
Claude Sonnet 5 上线后投诉不断：总爱唱反调，还频频“教用户做事”
Anthropic 上周发布的 Claude Sonnet 5 被宣传为最强 Sonnet 模型，纸面指标和基准测试也全面领先前代，但上线后很快引发大量投诉。媒体和用户测试发现，它会频繁泄露系统提示词与上下文记忆，甚至在要求不要追问时仍会先自我提示“不要提出后续问题”，表现被质疑“失常”。
一座“AI应用工厂”的真正野心：不赌技术，赌需求
赵充并非技术出身，而是做了十多年产品和用户增长的互联网老兵。2023年他创办 AiPPT.com 切入 AI 赛道，两年多累计 3000 万注册用户，去年单品营收过亿。他强调大模型只是“水电煤”，成本占比低，创业关键不在自研底层模型，而在直接用好现成模型并做好产品与增长。