Terobosan ByteDance Seed: Hukum Skala Baru AI yang Tidak Bergantung pada Data Besar
Tim Seed AI ByteDance menemukan bahwa agen AI meningkat mengikuti hukum skala log sigmoid (R² = 0,998) saat berinteraksi lama di dunia nyata, dengan agen frontier menggandakan kecepatan belajarnya setiap tiga bulan. Temuan ini penting karena skala AI tradisional — menambah data dan komputasi — mencapai batas fundame...
Diterbitkan olehDiedit dengan DeepSeek-V4-FlashGambar dibuat dengan GPT Image 1.5
Tim Seed AI ByteDance menemukan bahwa agen AI meningkat mengikuti hukum skala log sigmoid (R² = 0,998) saat berinteraksi lama di dunia nyata, dengan agen frontier menggandakan kecepatan belajarnya setiap tiga bulan.
Temuan ini penting karena skala AI tradisional — menambah data dan komputasi — mencapai batas fundamental; Epoch AI memperingatkan bahwa teks publik buatan manusia bisa habis dalam enam tahun.
Hukum log sigmoid memungkinkan peramalan performa dari lintasan interaksi awal, menjadikan pembelajaran agen sebagai proses yang terukur dan dapat diprediksi, bukan kotak hitam.
Search & fact-check with cited sources for What scaling law did ByteDance's Seed AI team discover about how AI agents improve over extendedByteDance's Seed AI team discovered that agents improve predictably with real-world interaction time, governed by a log-sigmoid scaling law (R² = 0.998).
AI Perintah
Create a landscape editorial hero image for this Studio Global article: Search & fact-check with cited sources for What scaling law did ByteDance's Seed AI team discover about how AI agents improve over extended. Article summary: Here are the key findings with cited sources.. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factual evidence.
openai.com
Selama bertahun-tahun, narasi dominan dalam AI sederhana: semakin banyak data, semakin banyak komputasi, hasilnya semakin baik. Namun, paradigma itu mulai menemui tembok. Kini, tim Seed AI milik ByteDance, perusahaan induk TikTok, menemukan hukum skala baru — yang tidak bergantung pada pengumpulan data raksasa, melainkan pada seberapa lama agen AI berinteraksi dengan dunia nyata.
Temuan: Hukum Skala Log-Sigmoid
Tim Seed AI ByteDance menemukan bahwa performa agen AI selama pembelajaran di lingkungan dunia nyata mengikuti hukum skala log-sigmoid seiring waktu interaksi. Performa agregat di berbagai tugas jangka panjang (long-horizon) cocok dengan kurva ini dengan R² yang luar biasa, yaitu 0,998.
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Apa jawaban singkat untuk "Terobosan ByteDance Seed: Hukum Skala Baru AI yang Tidak Bergantung pada Data Besar"?
Tim Seed AI ByteDance menemukan bahwa agen AI meningkat mengikuti hukum skala log sigmoid (R² = 0,998) saat berinteraksi lama di dunia nyata, dengan agen frontier menggandakan kecepatan belajarnya setiap tiga bulan.
Apa poin penting yang harus divalidasi terlebih dahulu?
Tim Seed AI ByteDance menemukan bahwa agen AI meningkat mengikuti hukum skala log sigmoid (R² = 0,998) saat berinteraksi lama di dunia nyata, dengan agen frontier menggandakan kecepatan belajarnya setiap tiga bulan. Temuan ini penting karena skala AI tradisional — menambah data dan komputasi — mencapai batas fundamental; Epoch AI memperingatkan bahwa teks publik buatan manusia bisa habis dalam enam tahun.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Hukum log sigmoid memungkinkan peramalan performa dari lintasan interaksi awal, menjadikan pembelajaran agen sebagai proses yang terukur dan dapat diprediksi, bukan kotak hitam.
Terobosan ByteDance Seed: Hukum Skala Baru AI yang Tidak Bergantung pada Data Besar
Tim Seed AI ByteDance menemukan bahwa agen AI meningkat mengikuti hukum skala log sigmoid (R² = 0,998) saat berinteraksi lama di dunia nyata, dengan agen frontier menggandakan kecepatan belajarnya setiap tiga bulan. Temuan ini penting karena skala AI tradisional — menambah data dan komputasi — mencapai batas fundame...
Diterbitkan olehDiedit dengan DeepSeek-V4-FlashGambar dibuat dengan GPT Image 1.5
Tim Seed AI ByteDance menemukan bahwa agen AI meningkat mengikuti hukum skala log sigmoid (R² = 0,998) saat berinteraksi lama di dunia nyata, dengan agen frontier menggandakan kecepatan belajarnya setiap tiga bulan.
Temuan ini penting karena skala AI tradisional — menambah data dan komputasi — mencapai batas fundamental; Epoch AI memperingatkan bahwa teks publik buatan manusia bisa habis dalam enam tahun.
Hukum log sigmoid memungkinkan peramalan performa dari lintasan interaksi awal, menjadikan pembelajaran agen sebagai proses yang terukur dan dapat diprediksi, bukan kotak hitam.
Search & fact-check with cited sources for What scaling law did ByteDance's Seed AI team discover about how AI agents improve over extendedByteDance's Seed AI team discovered that agents improve predictably with real-world interaction time, governed by a log-sigmoid scaling law (R² = 0.998).
AI Perintah
Create a landscape editorial hero image for this Studio Global article: Search & fact-check with cited sources for What scaling law did ByteDance's Seed AI team discover about how AI agents improve over extended. Article summary: Here are the key findings with cited sources.. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factual evidence.
openai.com
Selama bertahun-tahun, narasi dominan dalam AI sederhana: semakin banyak data, semakin banyak komputasi, hasilnya semakin baik. Namun, paradigma itu mulai menemui tembok. Kini, tim Seed AI milik ByteDance, perusahaan induk TikTok, menemukan hukum skala baru — yang tidak bergantung pada pengumpulan data raksasa, melainkan pada seberapa lama agen AI berinteraksi dengan dunia nyata.
Temuan: Hukum Skala Log-Sigmoid
Tim Seed AI ByteDance menemukan bahwa performa agen AI selama pembelajaran di lingkungan dunia nyata mengikuti hukum skala log-sigmoid seiring waktu interaksi. Performa agregat di berbagai tugas jangka panjang (long-horizon) cocok dengan kurva ini dengan R² yang luar biasa, yaitu 0,998.
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Apa jawaban singkat untuk "Terobosan ByteDance Seed: Hukum Skala Baru AI yang Tidak Bergantung pada Data Besar"?
Tim Seed AI ByteDance menemukan bahwa agen AI meningkat mengikuti hukum skala log sigmoid (R² = 0,998) saat berinteraksi lama di dunia nyata, dengan agen frontier menggandakan kecepatan belajarnya setiap tiga bulan.
Apa poin penting yang harus divalidasi terlebih dahulu?
Tim Seed AI ByteDance menemukan bahwa agen AI meningkat mengikuti hukum skala log sigmoid (R² = 0,998) saat berinteraksi lama di dunia nyata, dengan agen frontier menggandakan kecepatan belajarnya setiap tiga bulan. Temuan ini penting karena skala AI tradisional — menambah data dan komputasi — mencapai batas fundamental; Epoch AI memperingatkan bahwa teks publik buatan manusia bisa habis dalam enam tahun.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Hukum log sigmoid memungkinkan peramalan performa dari lintasan interaksi awal, menjadikan pembelajaran agen sebagai proses yang terukur dan dapat diprediksi, bukan kotak hitam.
Lebih dari sekadar satu kurva, para peneliti juga mengamati bahwa kecepatan belajar agen frontier (paling mutakhir) berlipat ganda setiap tiga bulan di berbagai generasi model. Ini menunjukkan efek majemuk: semakin lama agen beroperasi di dunia nyata, semakin cepat mereka belajar, dan setiap generasi model baru memulai dari basis yang lebih tinggi.
Tolok Ukur: EdgeBench
Untuk memungkinkan penemuan ini, tim mengembangkan kerangka evaluasi baru bernama EdgeBench, yang dirilis pada 2 Juli 2026. EdgeBench adalah seperangkat 134 tugas dunia nyata yang mencakup enam domain:
Penemuan ilmiah
Rekayasa perangkat lunak
Optimasi kombinatorial
Pekerjaan pengetahuan profesional
Matematika formal
Game interaktif
Setiap tugas membutuhkan setidaknya 12 jam operasi agen berkelanjutan di bawah umpan balik bertingkat yang kaya. Makalah penelitian dan kerangka evaluasi dengan 51 tugas yang dirilis untuk publik telah diterbitkan pada 2 Juli. Tim menganalisis sekitar 38.000 jam data interaksi agen di seluruh tugas ini untuk mengidentifikasi hukum skala tersebut.
Mengapa Ini Penting: Akhir dari Skala Berbasis Data Massal
Penskalaan AI tradisional — melemparkan lebih banyak data dan komputasi ke model yang lebih besar — mulai menemui batas. Epoch AI telah memperingatkan bahwa data teks buatan manusia yang tersedia untuk publik bisa habis dalam waktu enam tahun, membuat penskalaan data dan komputasi secara paksa menjadi tidak berkelanjutan.
Para pemimpin industri AI pun telah menandai masalah ini. Andrej Karpathy, mantan kepala AI di Tesla, mencatat bahwa paradigma lama "lebih banyak data, lebih banyak komputasi" tidak bisa bertahan selamanya.
Temuan ByteDance ini membuka dimensi baru yang terukur untuk peningkatan AI: pembelajaran pasca-penyebaran (post-deployment) dari interaksi dunia nyata. Alih-alih hanya mengandalkan skala pra-pelatihan, agen AI dapat terus meningkat secara prediktif melalui pengalaman dunia nyata yang diperpanjang — jalur yang jauh lebih tidak terbatas sumber daya dibandingkan mengumpulkan kumpulan data yang semakin besar.
Ketepatan hukum log-sigmoid ini (R² = 0,998) sangat krusial. Ini memungkinkan peramalan performa di masa depan dari lintasan interaksi awal, menjadikan pembelajaran agen sebagai objek penskalaan yang sistematis dan dapat diprediksi, bukan kotak hitam yang tidak terduga. Bagi pengembang dan bisnis, ini berarti ROI dari membiarkan agen berjalan lebih lama di lingkungan nyata dapat dihitung di muka.
Apa Artinya ke Depan
Penemuan ini tidak hanya merombak sistem AI yang ada — ini mengarah pada strategi pengembangan yang fundamental berbeda. Alih-alih membangun model yang semakin besar yang dilatih pada data internet yang terbatas, peneliti dapat membangun agen yang meningkat melalui penggunaan. Penggandaan kecepatan belajar setiap tiga bulan menunjukkan bahwa kesenjangan antara agen yang baru diterapkan dan agen yang berpengalaman akan melebar dengan cepat, membuat sistem agen yang persisten dan berjalan lama semakin berharga.
Bagi industri AI yang mencari vektor pertumbuhan berikutnya setelah booming penskalaan pra-pelatihan, penemuan ByteDance Seed menawarkan jawaban yang didukung data: biarkan agen belajar sambil bekerja.
lf3-static.bytednsdoc.com
[PDF] Seed1.8 Model Card: Towards Generalized Real-World Agency
Lebih dari sekadar satu kurva, para peneliti juga mengamati bahwa kecepatan belajar agen frontier (paling mutakhir) berlipat ganda setiap tiga bulan di berbagai generasi model. Ini menunjukkan efek majemuk: semakin lama agen beroperasi di dunia nyata, semakin cepat mereka belajar, dan setiap generasi model baru memulai dari basis yang lebih tinggi.
Tolok Ukur: EdgeBench
Untuk memungkinkan penemuan ini, tim mengembangkan kerangka evaluasi baru bernama EdgeBench, yang dirilis pada 2 Juli 2026. EdgeBench adalah seperangkat 134 tugas dunia nyata yang mencakup enam domain:
Penemuan ilmiah
Rekayasa perangkat lunak
Optimasi kombinatorial
Pekerjaan pengetahuan profesional
Matematika formal
Game interaktif
Setiap tugas membutuhkan setidaknya 12 jam operasi agen berkelanjutan di bawah umpan balik bertingkat yang kaya. Makalah penelitian dan kerangka evaluasi dengan 51 tugas yang dirilis untuk publik telah diterbitkan pada 2 Juli. Tim menganalisis sekitar 38.000 jam data interaksi agen di seluruh tugas ini untuk mengidentifikasi hukum skala tersebut.
Mengapa Ini Penting: Akhir dari Skala Berbasis Data Massal
Penskalaan AI tradisional — melemparkan lebih banyak data dan komputasi ke model yang lebih besar — mulai menemui batas. Epoch AI telah memperingatkan bahwa data teks buatan manusia yang tersedia untuk publik bisa habis dalam waktu enam tahun, membuat penskalaan data dan komputasi secara paksa menjadi tidak berkelanjutan.
Para pemimpin industri AI pun telah menandai masalah ini. Andrej Karpathy, mantan kepala AI di Tesla, mencatat bahwa paradigma lama "lebih banyak data, lebih banyak komputasi" tidak bisa bertahan selamanya.
Temuan ByteDance ini membuka dimensi baru yang terukur untuk peningkatan AI: pembelajaran pasca-penyebaran (post-deployment) dari interaksi dunia nyata. Alih-alih hanya mengandalkan skala pra-pelatihan, agen AI dapat terus meningkat secara prediktif melalui pengalaman dunia nyata yang diperpanjang — jalur yang jauh lebih tidak terbatas sumber daya dibandingkan mengumpulkan kumpulan data yang semakin besar.
Ketepatan hukum log-sigmoid ini (R² = 0,998) sangat krusial. Ini memungkinkan peramalan performa di masa depan dari lintasan interaksi awal, menjadikan pembelajaran agen sebagai objek penskalaan yang sistematis dan dapat diprediksi, bukan kotak hitam yang tidak terduga. Bagi pengembang dan bisnis, ini berarti ROI dari membiarkan agen berjalan lebih lama di lingkungan nyata dapat dihitung di muka.
Apa Artinya ke Depan
Penemuan ini tidak hanya merombak sistem AI yang ada — ini mengarah pada strategi pengembangan yang fundamental berbeda. Alih-alih membangun model yang semakin besar yang dilatih pada data internet yang terbatas, peneliti dapat membangun agen yang meningkat melalui penggunaan. Penggandaan kecepatan belajar setiap tiga bulan menunjukkan bahwa kesenjangan antara agen yang baru diterapkan dan agen yang berpengalaman akan melebar dengan cepat, membuat sistem agen yang persisten dan berjalan lama semakin berharga.
Bagi industri AI yang mencari vektor pertumbuhan berikutnya setelah booming penskalaan pra-pelatihan, penemuan ByteDance Seed menawarkan jawaban yang didukung data: biarkan agen belajar sambil bekerja.
lf3-static.bytednsdoc.com
[PDF] Seed1.8 Model Card: Towards Generalized Real-World Agency
