EdgeBench: Unveiling Scaling Laws of Learning from Real-World Environments
Analysis of 38,000 hours of real-world agent interactions reveals log-sigmoid scaling laws for performance and exponential learning speed improvements across 134 diverse tasks.
Hugging Face · Daily Papers
·Deyao Zhu, Xin Zhou
·
·▲ 5 upvotes
Este artigo está em destaque na seleção diária de papers do Hugging Face, curada pela comunidade de pesquisa em IA.
Autores: Deyao Zhu, Xin Zhou, Shengling Qin, Xuekai Zhu, Hangliang Ding, Shu Zhong
- 5 upvotes da comunidade
- Temas: scaling laws, environment learning, log-sigmoid scaling law, agent interaction, real world tasks, EdgeBench
Resumo
Resumo original (em inglês), extraído do paper:
Analysis of 38,000 hours of real-world agent interactions reveals log-sigmoid scaling laws for performance and exponential learning speed improvements across 134 diverse tasks.Onde ler
// relacionados
Leia também
Editorial
EdgeBench: 38 mil horas de agentes trabalhando revelam uma lei de escala inesperada
Editorial
Hy3: a Tencent libera seu modelo de 295 bilhões sob Apache 2.0 — e sem fronteiras
Editorial
InternVLA-A1.5: o robô que imagina o próximo segundo antes de mover o braço
Editorial