Vědci také objevili, že rychlost učení špičkových agentů se přibližně zdvojnásobuje každé tři měsíce napříč různými generacemi modelů. To naznačuje kumulativní efekt: čím déle agenti působí v reálném světě, tím rychleji se učí, a každá nová generace modelů startuje z vyšší základny.

Benchmark: EdgeBench

Pro umožnění tohoto objevu vyvinul tým nový evaluační rámec nazvaný EdgeBench, zveřejněný 2. července 2026. EdgeBench je sada 134 reálných úkolů pokrývajících šest oblastí:

• Vědecký výzkum
• Softwarové inženýrství
• Kombinatorická optimalizace
• Profesionální znalostní práce
• Formální matematika
• Interaktivní hry

Každý úkol vyžaduje nejméně 12 hodin nepřetržitého provozu agenta za bohaté, víceúrovňové zpětné vazby. Výzkumný článek a evaluační rámec s 51 veřejně dostupnými úkoly byly publikovány 2. července. Tým analyzoval přibližně 38 000 hodin dat interakcí agentů napříč těmito úkoly, aby identifikoval škálovací zákon.

Proč je to důležité: Konec škálování na základě více dat

Tradiční přístup – vkládání stále většího objemu dat a výpočetního výkonu do větších modelů – naráží na zeď. Organizace Epoch AI varovala, že veřejně dostupné lidsky generované texty by mohly být vyčerpány do šesti let, takže dosavadní škálování dat a výkonů je neudržitelné.

Tento problém signalizují i lídři oboru. Andrej Karpathy poznamenal, že staré paradigma „více dat, více výkonu“ nemůže trvat věčně.

Objev ByteDance otevírá nový, měřitelný rozměr zlepšování AI: učení po nasazení díky interakci s reálným světem. Místo spoléhání se pouze na předtréninkové škálování se AI agenti mohou předvídatelně zlepšovat díky rozšířené reálné zkušenosti – cestou, která je mnohem méně omezená zdroji než hromadění stále větších datasetů.

Přesnost log-sigmoidního zákona (R² = 0,998) je klíčová. Umožňuje předpovídat pozdější výkon z raných interakcí, čímž se učení agenta stává systematickým a předvídatelným škálovacím objektem, nikoli nevyzpytatelnou černou skříňkou. Pro vývojáře a firmy to znamená, že návratnost investice do delšího běhu agenta v reálném prostředí lze předem spočítat.

Co to znamená do budoucna

Tento objev není jen o vylepšení stávajících systémů – ukazuje na zcela odlišnou vývojovou strategii. Místo stavění stále větších modelů trénovaných na omezených internetových datech mohou výzkumníci budovat agenty, kteří se zlepšují samotným používáním. Zdvojnásobení rychlosti učení každé tři měsíce naznačuje, že propast mezi čerstvě nasazeným agentem a zkušeným se bude rychle zvětšovat, což z dlouhodobě běžících agentů dělá stále cennější nástroje.

Pro průmysl AI hledající další růstový vektor po boomu předtréninkového škálování nabízí objev týmu ByteDance Seed odpověď podloženou daty: nechte agenty učit se při práci.

Vědci také objevili, že rychlost učení špičkových agentů se přibližně zdvojnásobuje každé tři měsíce napříč různými generacemi modelů. To naznačuje kumulativní efekt: čím déle agenti působí v reálném světě, tím rychleji se učí, a každá nová generace modelů startuje z vyšší základny.

Benchmark: EdgeBench

Pro umožnění tohoto objevu vyvinul tým nový evaluační rámec nazvaný EdgeBench, zveřejněný 2. července 2026. EdgeBench je sada 134 reálných úkolů pokrývajících šest oblastí:

• Vědecký výzkum
• Softwarové inženýrství
• Kombinatorická optimalizace
• Profesionální znalostní práce
• Formální matematika
• Interaktivní hry

Každý úkol vyžaduje nejméně 12 hodin nepřetržitého provozu agenta za bohaté, víceúrovňové zpětné vazby. Výzkumný článek a evaluační rámec s 51 veřejně dostupnými úkoly byly publikovány 2. července. Tým analyzoval přibližně 38 000 hodin dat interakcí agentů napříč těmito úkoly, aby identifikoval škálovací zákon.

Proč je to důležité: Konec škálování na základě více dat

Tradiční přístup – vkládání stále většího objemu dat a výpočetního výkonu do větších modelů – naráží na zeď. Organizace Epoch AI varovala, že veřejně dostupné lidsky generované texty by mohly být vyčerpány do šesti let, takže dosavadní škálování dat a výkonů je neudržitelné.

Tento problém signalizují i lídři oboru. Andrej Karpathy poznamenal, že staré paradigma „více dat, více výkonu“ nemůže trvat věčně.

Objev ByteDance otevírá nový, měřitelný rozměr zlepšování AI: učení po nasazení díky interakci s reálným světem. Místo spoléhání se pouze na předtréninkové škálování se AI agenti mohou předvídatelně zlepšovat díky rozšířené reálné zkušenosti – cestou, která je mnohem méně omezená zdroji než hromadění stále větších datasetů.

Přesnost log-sigmoidního zákona (R² = 0,998) je klíčová. Umožňuje předpovídat pozdější výkon z raných interakcí, čímž se učení agenta stává systematickým a předvídatelným škálovacím objektem, nikoli nevyzpytatelnou černou skříňkou. Pro vývojáře a firmy to znamená, že návratnost investice do delšího běhu agenta v reálném prostředí lze předem spočítat.

Co to znamená do budoucna

Tento objev není jen o vylepšení stávajících systémů – ukazuje na zcela odlišnou vývojovou strategii. Místo stavění stále větších modelů trénovaných na omezených internetových datech mohou výzkumníci budovat agenty, kteří se zlepšují samotným používáním. Zdvojnásobení rychlosti učení každé tři měsíce naznačuje, že propast mezi čerstvě nasazeným agentem a zkušeným se bude rychle zvětšovat, což z dlouhodobě běžících agentů dělá stále cennější nástroje.

Pro průmysl AI hledající další růstový vektor po boomu předtréninkového škálování nabízí objev týmu ByteDance Seed odpověď podloženou daty: nechte agenty učit se při práci.