מעבר לעקומה בודדת, החוקרים גם הבחינו כי מהירות הלמידה של סוכנים פורצי דרך מוכפלת בערך כל שלושה חודשים על פני דורות שונים של מודלים. זה מצביע על אפקט מצטבר: ככל שסוכנים פועלים זמן רב יותר בסביבות אמיתיות, כך הם לומדים מהר יותר, וכל דור חדש של מודלים מתחיל מבסיס גבוה יותר.

מבחן EdgeBench

כדי לאפשר תגלית זו, הצוות פיתח כלי הערכה חדש בשם EdgeBench, שפורסם ב-2 ביולי 2026. EdgeBench הוא אוסף של 134 משימות אמיתיות בששה תחומים:

• גילוי מדעי
• הנדסת תוכנה
• אופטימיזציה קומבינטורית
• עבודת ידע מקצועית
• מתמטיקה פורמלית
• משחקים אינטראקטיביים

כל משימה דורשת לפחות 12 שעות של פעילות סוכן רציפה תחת משוב עשיר ורב-שכבתי. המאמר המדעי וכלי ההערכה הכולל 51 משימות שפורסמו לציבור יצאו לאור ב-2 ביולי. הצוות ניתח כ-38,000 שעות של נתוני אינטראקציה של סוכנים על פני משימות אלו כדי לזהות את חוק קנה המידה.

למה זה חשוב: הסוף של קנה המידה מבוסס יותר-נתונים

קנה המידה המסורתי של AI – זריקת עוד נתונים ועוד כוח עיבוד על מודלים גדולים יותר – נתקל בקיר. ארגון Epoch AI הזהיר כי הטקסט האנושי הזמין באינטרנט עלול להתרוקן תוך שש שנים, מה שהופך את קנה המידה הגולמי של נתונים וכוח עיבוד לבלתי בר-קיימא.

גם מובילי תעשיית ה-AI התריעו על בעיה זו. אנדריי קרפטי ציין שהפרדיגמה הישנה של "עוד נתונים, עוד כוח עיבוד" לא יכולה להימשך לנצח.

הממצא של ByteDace פותח ממד חדש ובר-מדידה לשיפור AI: למידה לאחר פריסה דרך אינטראקציה עם העולם האמיתי. במקום להסתמך אך ורק על קנה מידה של אימון מקדים, סוכני AI יכולים להמשיך ולהשתפר בצורה צפויה באמצעות ניסיון מצטבר בעולם האמיתי – נתיב שמוגבל הרבה פחות במשאבים מאשר צבירה של מאגרי נתונים עצומים.

הדיוק של חוק הלוג-סיגמואיד (R² = 0.998) הוא קריטי. הוא מאפשר לחזות ביצועים מאוחרים יותר מתוך מסלולי אינטראקציה מוקדמים, מה שהופך את למידת הסוכנים לאובייקט קנה מידה שיטתי וצפוי במקום ל'קופסה שחורה' בלתי צפויה. עבור מפתחים ועסקים, משמעות הדבר היא שהחזר ההשקעה (ROI) של מתן אפשרות לסוכן לפעול זמן רב יותר בסביבה אמיתית ניתן לחישוב מראש.

מה זה אומר להמשך

תגלית זו אינה רק התאמה של מערכות AI קיימות – היא מצביעה על אסטרטגיית פיתוח שונה מהותית. במקום לבנות מודלים גדולים יותר ויותר המאומנים על נתוני אינטרנט סופיים, חוקרים יכולים לבנות סוכנים שמשתפרים באמצעות שימוש. הכפלת מהירות הלמידה כל שלושה חודשים מרמזת על כך שהפער בין סוכן שזה עתה הופעל לבין סוכן מנוסה ירחב במהירות, מה שהופך מערכות סוכנים מתמשכות לפועלות לאורך זמן ליותר ויותר יקרות ערך.

עבור תעשיית AI המחפשת את וקטור הצמיחה הבא שלה לאחר פריחת קנה המידה של אימון מקדים, התגלית של ByteDace Seed מציעה תשובה מגובה בנתונים: תנו לסוכנים ללמוד תוך כדי עבודה.

מעבר לעקומה בודדת, החוקרים גם הבחינו כי מהירות הלמידה של סוכנים פורצי דרך מוכפלת בערך כל שלושה חודשים על פני דורות שונים של מודלים. זה מצביע על אפקט מצטבר: ככל שסוכנים פועלים זמן רב יותר בסביבות אמיתיות, כך הם לומדים מהר יותר, וכל דור חדש של מודלים מתחיל מבסיס גבוה יותר.

מבחן EdgeBench

כדי לאפשר תגלית זו, הצוות פיתח כלי הערכה חדש בשם EdgeBench, שפורסם ב-2 ביולי 2026. EdgeBench הוא אוסף של 134 משימות אמיתיות בששה תחומים:

• גילוי מדעי
• הנדסת תוכנה
• אופטימיזציה קומבינטורית
• עבודת ידע מקצועית
• מתמטיקה פורמלית
• משחקים אינטראקטיביים

כל משימה דורשת לפחות 12 שעות של פעילות סוכן רציפה תחת משוב עשיר ורב-שכבתי. המאמר המדעי וכלי ההערכה הכולל 51 משימות שפורסמו לציבור יצאו לאור ב-2 ביולי. הצוות ניתח כ-38,000 שעות של נתוני אינטראקציה של סוכנים על פני משימות אלו כדי לזהות את חוק קנה המידה.

למה זה חשוב: הסוף של קנה המידה מבוסס יותר-נתונים

קנה המידה המסורתי של AI – זריקת עוד נתונים ועוד כוח עיבוד על מודלים גדולים יותר – נתקל בקיר. ארגון Epoch AI הזהיר כי הטקסט האנושי הזמין באינטרנט עלול להתרוקן תוך שש שנים, מה שהופך את קנה המידה הגולמי של נתונים וכוח עיבוד לבלתי בר-קיימא.

גם מובילי תעשיית ה-AI התריעו על בעיה זו. אנדריי קרפטי ציין שהפרדיגמה הישנה של "עוד נתונים, עוד כוח עיבוד" לא יכולה להימשך לנצח.

הממצא של ByteDace פותח ממד חדש ובר-מדידה לשיפור AI: למידה לאחר פריסה דרך אינטראקציה עם העולם האמיתי. במקום להסתמך אך ורק על קנה מידה של אימון מקדים, סוכני AI יכולים להמשיך ולהשתפר בצורה צפויה באמצעות ניסיון מצטבר בעולם האמיתי – נתיב שמוגבל הרבה פחות במשאבים מאשר צבירה של מאגרי נתונים עצומים.

הדיוק של חוק הלוג-סיגמואיד (R² = 0.998) הוא קריטי. הוא מאפשר לחזות ביצועים מאוחרים יותר מתוך מסלולי אינטראקציה מוקדמים, מה שהופך את למידת הסוכנים לאובייקט קנה מידה שיטתי וצפוי במקום ל'קופסה שחורה' בלתי צפויה. עבור מפתחים ועסקים, משמעות הדבר היא שהחזר ההשקעה (ROI) של מתן אפשרות לסוכן לפעול זמן רב יותר בסביבה אמיתית ניתן לחישוב מראש.

מה זה אומר להמשך

תגלית זו אינה רק התאמה של מערכות AI קיימות – היא מצביעה על אסטרטגיית פיתוח שונה מהותית. במקום לבנות מודלים גדולים יותר ויותר המאומנים על נתוני אינטרנט סופיים, חוקרים יכולים לבנות סוכנים שמשתפרים באמצעות שימוש. הכפלת מהירות הלמידה כל שלושה חודשים מרמזת על כך שהפער בין סוכן שזה עתה הופעל לבין סוכן מנוסה ירחב במהירות, מה שהופך מערכות סוכנים מתמשכות לפועלות לאורך זמן ליותר ויותר יקרות ערך.

עבור תעשיית AI המחפשת את וקטור הצמיחה הבא שלה לאחר פריחת קנה המידה של אימון מקדים, התגלית של ByteDace Seed מציעה תשובה מגובה בנתונים: תנו לסוכנים ללמוד תוך כדי עבודה.