حلل الباحثون حوالي 38000 ساعة من تفاعلات الوكلاء عبر 134 مهمة واقعية لكشف قوانين القياس لتعلم ما بعد النشر. وجدوا أن الأداء العام يتبع قانون قياس لوغاريتمي سينموي بدقة عالية (R^2 = 0.998)، بينما يتضاعف سرعة التعلم تقريبًا كل ثلاثة أشهر.
- EdgeBench هو مجموعة من 134 مهمة واقعية تتميز بأفق طويل جدًا في مجالات مثل الاكتشاف العلمي وهندسة البرمجيات.
- تحافظ كل مهمة على ما لا يقل عن 12 ساعة من تشغيل الوكيل المستمر تحت تغذية راجعة غنية ومتعددة المستويات.
- توفر الدراسة أول دليل على قياس لوغاريتمي سينموي لتعلم البيئة.
- تم إصدار 51 مهمة وإطار التقييم الكامل علنًا لتسريع البحث.
يسرع هذا العمل دراسة كيفية تعلم الوكلاء من الخبرة الواقعية من خلال توفير معيار قياسي ورؤى قياس تجريبية.