Yhden käyrän lisäksi tutkijat havaitsivat, että huippuagenttien oppimisnopeus kaksinkertaistuu noin kolmessa kuukaudessa eri mallisukupolvien välillä. Tämä viittaa kumulatiiviseen vaikutukseen: mitä pidempään agentit toimivat todellisissa ympäristöissä, sitä nopeammin ne oppivat, ja jokainen uusi mallisukupolvi aloittaa korkeammalta tasolta.

Vertailukohta: EdgeBench

Löydön mahdollistamiseksi tiimi kehitti uuden arviointikehyksen nimeltä EdgeBench, joka julkaistiin 2. heinäkuuta 2026. EdgeBench on 134 todellisen maailman tehtävän kokoelma, joka kattaa kuusi aluetta:

• Tieteellinen löytäminen
• Ohjelmistokehitys
• Kombinatorinen optimointi
• Ammattimainen tietotyö
• Formaali matematiikka
• Interaktiiviset pelit

Jokainen tehtävä vaatii vähintään 12 tunnin jatkuvaa agenttitoimintaa rikkaan, monitasoisen palautteen alaisena. Tutkimuspaperi ja arviointikehys, jossa on 51 julkisesti julkaistua tehtävää, julkaistiin 2. heinäkuuta. Tiimi analysoi noin 38 000 tuntia agenttivuorovaikutusdataa näistä tehtävistä tunnistaakseen skaalauslain.

Miksi tämä on tärkeää: Lisädatan skaalauksen loppu

Perinteinen tekoälyn skaalaus – yhä enemmän dataa ja laskentatehoa suuremmille malleille – on törmäämässä seinään. Epoch AI on varoittanut, että julkisesti saatavilla oleva ihmisen tuottama teksti voi loppua kuudessa vuodessa, mikä tekee datan ja laskentatehon raa'asta skaalaamisesta kestämätöntä.

Tekoälyalan johtohahmot ovat myös huomauttaneet tästä ongelmasta. Andrej Karpathy on todennut, että vanha "enemmän dataa, enemmän laskentatehoa" -paradigma ei voi kestää ikuisesti.

ByteDacen löydös avaa uuden, mitattavissa olevan ulottuvuuden tekoälyn parantamiselle: oppimisen käyttöönoton jälkeen todellisen maailman vuorovaikutuksen kautta. Sen sijaan, että luotettaisiin pelkästään esikoulutuksen mittakaavaan, tekoälyagentit voivat jatkaa parantumistaan ennustettavasti pitkäkestoisen todellisen maailman kokemuksen kautta – polku, joka on huomattavasti vähemmän resurssirajoitettu kuin yhä suurempien tietoaineistojen kerääminen.

Log-sigmoid-lain tarkkuus (R² = 0,998) on ratkaisevan tärkeä. Se mahdollistaa myöhemmän suorituskyvyn ennustamisen varhaisten vuorovaikutustietojen perusteella, mikä tekee agenttien oppimisesta systemaattisen ja ennustettavan skaalauskohteen eikä arvaamattoman mustan laatikon. Kehittäjille ja yrityksille tämä tarkoittaa, että agentin pidempään todellisessa ympäristössä pyörittämisen tuotto voidaan laskea etukäteen.

Mitä tämä tarkoittaa tulevaisuudessa

Tämä löytö ei ainoastaan päivitä olemassa olevia tekoälyjärjestelmiä – se osoittaa kohti täysin erilaista kehitysstrategiaa. Sen sijaan, että rakennettaisiin yhä suurempia malleja, jotka on koulutettu rajallisella internet-datalla, tutkijat voivat rakentaa agentteja, jotka paranevat käytön myötä. Oppimisnopeuden kaksinkertaistuminen kolmessa kuukaudessa viittaa siihen, että kuilu vasta käyttöönotetun agentin ja kokeneen agentin välillä kasvaa nopeasti, mikä tekee pysyvistä, pitkäkestoisista agenttijärjestelmistä yhä arvokkaampia.

Tekoälyteollisuudelle, joka etsii seuraavaa kasvuveturia esikoulutuksen skaalausbuumin jälkeen, ByteDacen Seedin löytö tarjoaa datapohjaisen vastauksen: anna agenttien oppia työn ohessa.

Yhden käyrän lisäksi tutkijat havaitsivat, että huippuagenttien oppimisnopeus kaksinkertaistuu noin kolmessa kuukaudessa eri mallisukupolvien välillä. Tämä viittaa kumulatiiviseen vaikutukseen: mitä pidempään agentit toimivat todellisissa ympäristöissä, sitä nopeammin ne oppivat, ja jokainen uusi mallisukupolvi aloittaa korkeammalta tasolta.

Vertailukohta: EdgeBench

Löydön mahdollistamiseksi tiimi kehitti uuden arviointikehyksen nimeltä EdgeBench, joka julkaistiin 2. heinäkuuta 2026. EdgeBench on 134 todellisen maailman tehtävän kokoelma, joka kattaa kuusi aluetta:

• Tieteellinen löytäminen
• Ohjelmistokehitys
• Kombinatorinen optimointi
• Ammattimainen tietotyö
• Formaali matematiikka
• Interaktiiviset pelit

Jokainen tehtävä vaatii vähintään 12 tunnin jatkuvaa agenttitoimintaa rikkaan, monitasoisen palautteen alaisena. Tutkimuspaperi ja arviointikehys, jossa on 51 julkisesti julkaistua tehtävää, julkaistiin 2. heinäkuuta. Tiimi analysoi noin 38 000 tuntia agenttivuorovaikutusdataa näistä tehtävistä tunnistaakseen skaalauslain.

Miksi tämä on tärkeää: Lisädatan skaalauksen loppu

Perinteinen tekoälyn skaalaus – yhä enemmän dataa ja laskentatehoa suuremmille malleille – on törmäämässä seinään. Epoch AI on varoittanut, että julkisesti saatavilla oleva ihmisen tuottama teksti voi loppua kuudessa vuodessa, mikä tekee datan ja laskentatehon raa'asta skaalaamisesta kestämätöntä.

Tekoälyalan johtohahmot ovat myös huomauttaneet tästä ongelmasta. Andrej Karpathy on todennut, että vanha "enemmän dataa, enemmän laskentatehoa" -paradigma ei voi kestää ikuisesti.

ByteDacen löydös avaa uuden, mitattavissa olevan ulottuvuuden tekoälyn parantamiselle: oppimisen käyttöönoton jälkeen todellisen maailman vuorovaikutuksen kautta. Sen sijaan, että luotettaisiin pelkästään esikoulutuksen mittakaavaan, tekoälyagentit voivat jatkaa parantumistaan ennustettavasti pitkäkestoisen todellisen maailman kokemuksen kautta – polku, joka on huomattavasti vähemmän resurssirajoitettu kuin yhä suurempien tietoaineistojen kerääminen.

Log-sigmoid-lain tarkkuus (R² = 0,998) on ratkaisevan tärkeä. Se mahdollistaa myöhemmän suorituskyvyn ennustamisen varhaisten vuorovaikutustietojen perusteella, mikä tekee agenttien oppimisesta systemaattisen ja ennustettavan skaalauskohteen eikä arvaamattoman mustan laatikon. Kehittäjille ja yrityksille tämä tarkoittaa, että agentin pidempään todellisessa ympäristössä pyörittämisen tuotto voidaan laskea etukäteen.

Mitä tämä tarkoittaa tulevaisuudessa

Tämä löytö ei ainoastaan päivitä olemassa olevia tekoälyjärjestelmiä – se osoittaa kohti täysin erilaista kehitysstrategiaa. Sen sijaan, että rakennettaisiin yhä suurempia malleja, jotka on koulutettu rajallisella internet-datalla, tutkijat voivat rakentaa agentteja, jotka paranevat käytön myötä. Oppimisnopeuden kaksinkertaistuminen kolmessa kuukaudessa viittaa siihen, että kuilu vasta käyttöönotetun agentin ja kokeneen agentin välillä kasvaa nopeasti, mikä tekee pysyvistä, pitkäkestoisista agenttijärjestelmistä yhä arvokkaampia.

Tekoälyteollisuudelle, joka etsii seuraavaa kasvuveturia esikoulutuksen skaalausbuumin jälkeen, ByteDacen Seedin löytö tarjoaa datapohjaisen vastauksen: anna agenttien oppia työn ohessa.