Au-delà d'une simple courbe, les chercheurs ont également observé que la vitesse d'apprentissage des agents de pointe double environ tous les trois mois à travers différentes générations de modèles. Cela suggère un effet cumulatif : plus les agents opèrent dans des environnements réels, plus ils apprennent vite, et chaque nouvelle génération de modèles part d'une base plus élevée.

Le benchmark : EdgeBench

Pour rendre cette découverte possible, l'équipe a développé un nouveau cadre d'évaluation appelé EdgeBench, publié le 2 juillet 2026. EdgeBench est une suite de 134 tâches du monde réel couvrant six domaines :

• Découverte scientifique
• Génie logiciel
• Optimisation combinatoire
• Travail de connaissance professionnel
• Mathématiques formelles
• Jeux interactifs

Chaque tâche nécessite au moins 12 heures d'opération continue de l'agent sous un feedback riche et multi-niveaux. L'article de recherche et un cadre d'évaluation avec 51 tâches publiquement disponibles ont été publiés le 2 juillet. L'équipe a analysé environ 38 000 heures de données d'interaction d'agents à travers ces tâches pour identifier la loi d'échelle.

Pourquoi c'est important : la fin du scaling par l'accumulation de données

Le scaling traditionnel de l'IA — ajouter toujours plus de données et de calcul à des modèles plus grands — se heurte à un mur. Epoch AI a averti que le texte public généré par les humains pourrait être épuisé d'ici six ans, rendant le scaling intensif en données et en calcul insoutenable.

Les leaders de l'industrie de l'IA ont également signalé ce problème. Andrej Karpathy a noté que l'ancien paradigme "plus de données, plus de calcul" ne peut pas durer éternellement.

La découverte de ByteDance ouvre une nouvelle dimension mesurable d'amélioration de l'IA : l'apprentissage post-déploiement via l'interaction avec le monde réel. Plutôt que de se fier uniquement à l'échelle du pré-entraînement, les agents d'IA peuvent continuer à s'améliorer de manière prévisible grâce à une expérience prolongée du monde réel — une voie bien moins contrainte en ressources que l'accumulation de jeux de données toujours plus grands.

La précision de la loi log-sigmoid (R² = 0,998) est essentielle. Elle permet de prévoir les performances futures à partir des trajectoires d'interaction précoces, faisant de l'apprentissage des agents un objet de scaling systématique et prévisible plutôt qu'une boîte noire imprévisible. Pour les développeurs et les entreprises, cela signifie que le retour sur investissement du fait de laisser un agent fonctionner plus longtemps dans un environnement réel peut être calculé à l'avance.

Ce que cela signifie pour l'avenir

Cette découverte ne se contente pas de rénover les systèmes d'IA existants — elle pointe vers une stratégie de développement fondamentalement différente. Au lieu de construire des modèles toujours plus grands entraînés sur des données internet finies, les chercheurs peuvent construire des agents qui s'améliorent par l'usage. Le doublement de la vitesse d'apprentissage tous les trois mois suggère que l'écart entre un agent fraîchement déployé et un agent expérimenté se creusera rapidement, rendant les systèmes d'agents persistants et à longue durée de vie de plus en plus précieux.

Pour une industrie de l'IA à la recherche de son prochain vecteur de croissance après le boom du scaling du pré-entraînement, la découverte de ByteDance Seed offre une réponse étayée par les données : laissez les agents apprendre sur le terrain.

Au-delà d'une simple courbe, les chercheurs ont également observé que la vitesse d'apprentissage des agents de pointe double environ tous les trois mois à travers différentes générations de modèles. Cela suggère un effet cumulatif : plus les agents opèrent dans des environnements réels, plus ils apprennent vite, et chaque nouvelle génération de modèles part d'une base plus élevée.

Le benchmark : EdgeBench

Pour rendre cette découverte possible, l'équipe a développé un nouveau cadre d'évaluation appelé EdgeBench, publié le 2 juillet 2026. EdgeBench est une suite de 134 tâches du monde réel couvrant six domaines :

• Découverte scientifique
• Génie logiciel
• Optimisation combinatoire
• Travail de connaissance professionnel
• Mathématiques formelles
• Jeux interactifs

Chaque tâche nécessite au moins 12 heures d'opération continue de l'agent sous un feedback riche et multi-niveaux. L'article de recherche et un cadre d'évaluation avec 51 tâches publiquement disponibles ont été publiés le 2 juillet. L'équipe a analysé environ 38 000 heures de données d'interaction d'agents à travers ces tâches pour identifier la loi d'échelle.

Pourquoi c'est important : la fin du scaling par l'accumulation de données

Le scaling traditionnel de l'IA — ajouter toujours plus de données et de calcul à des modèles plus grands — se heurte à un mur. Epoch AI a averti que le texte public généré par les humains pourrait être épuisé d'ici six ans, rendant le scaling intensif en données et en calcul insoutenable.

Les leaders de l'industrie de l'IA ont également signalé ce problème. Andrej Karpathy a noté que l'ancien paradigme "plus de données, plus de calcul" ne peut pas durer éternellement.

La découverte de ByteDance ouvre une nouvelle dimension mesurable d'amélioration de l'IA : l'apprentissage post-déploiement via l'interaction avec le monde réel. Plutôt que de se fier uniquement à l'échelle du pré-entraînement, les agents d'IA peuvent continuer à s'améliorer de manière prévisible grâce à une expérience prolongée du monde réel — une voie bien moins contrainte en ressources que l'accumulation de jeux de données toujours plus grands.

La précision de la loi log-sigmoid (R² = 0,998) est essentielle. Elle permet de prévoir les performances futures à partir des trajectoires d'interaction précoces, faisant de l'apprentissage des agents un objet de scaling systématique et prévisible plutôt qu'une boîte noire imprévisible. Pour les développeurs et les entreprises, cela signifie que le retour sur investissement du fait de laisser un agent fonctionner plus longtemps dans un environnement réel peut être calculé à l'avance.

Ce que cela signifie pour l'avenir

Cette découverte ne se contente pas de rénover les systèmes d'IA existants — elle pointe vers une stratégie de développement fondamentalement différente. Au lieu de construire des modèles toujours plus grands entraînés sur des données internet finies, les chercheurs peuvent construire des agents qui s'améliorent par l'usage. Le doublement de la vitesse d'apprentissage tous les trois mois suggère que l'écart entre un agent fraîchement déployé et un agent expérimenté se creusera rapidement, rendant les systèmes d'agents persistants et à longue durée de vie de plus en plus précieux.

Pour une industrie de l'IA à la recherche de son prochain vecteur de croissance après le boom du scaling du pré-entraînement, la découverte de ByteDance Seed offre une réponse étayée par les données : laissez les agents apprendre sur le terrain.