Oltre a una singola curva, i ricercatori hanno anche osservato che la velocità di apprendimento degli agenti più avanzati raddoppia circa ogni tre mesi attraverso diverse generazioni di modelli. Questo suggerisce un effetto cumulativo: più a lungo gli agenti operano in contesti reali, più velocemente imparano, e ogni nuova generazione di modelli parte da una base più alta.

Il benchmark: EdgeBench

Per rendere possibile questa scoperta, il team ha sviluppato un nuovo framework di valutazione chiamato EdgeBench, pubblicato il 2 luglio 2026. EdgeBench è una suite di 134 compiti reali che spaziano in sei domini:

• Scoperta scientifica
• Ingegneria del software
• Ottimizzazione combinatoria
• Lavoro professionale di conoscenza
• Matematica formale
• Giochi interattivi

Ogni compito richiede almeno 12 ore di funzionamento continuo dell'agente in ambienti eseguibili con feedback ricco e multilivello. L'articolo di ricerca e un framework di valutazione con 51 compiti resi pubblici sono stati pubblicati il 2 luglio. Il team ha analizzato circa 38.000 ore di interazione degli agenti in questi compiti per identificare la legge di scala.

Perché è importante: la fine dello scaling basato su più dati

Lo scaling tradizionale dell'IA — buttare più dati e più potenza di calcolo su modelli sempre più grandi — sta incontrando un muro. Epoch AI ha avvertito che i testi generati da umani disponibili pubblicamente potrebbero esaurirsi entro sei anni, rendendo insostenibile lo scaling forzato di dati e potenza di calcolo.

Anche i leader del settore AI hanno segnalato questo problema. Andrej Karpathy ha notato che il vecchio paradigma "più dati, più potenza di calcolo" non può durare per sempre.

La scoperta di ByteDance apre una nuova dimensione misurabile per il miglioramento dell'IA: l'apprendimento post-deployment dall'interazione con il mondo reale. Invece di fare affidamento esclusivamente sulla scala del pre-training, gli agenti AI possono continuare a migliorare in modo prevedibile attraverso l'esperienza prolungata nel mondo reale — un percorso che è molto meno vincolato dalle risorse rispetto all'accumulo di dataset sempre più grandi.

La precisione della legge log-sigmoid (R² = 0.998) è fondamentale. Consente di prevedere le prestazioni future a partire dalle prime interazioni, rendendo l'apprendimento degli agenti un oggetto di scala sistematico e prevedibile, non più una scatola nera imprevedibile. Per sviluppatori e aziende, questo significa che il ROI di far funzionare un agente più a lungo in un ambiente reale può essere calcolato in anticipo.

Cosa significa per il futuro

Questa scoperta non si limita a retrofitare i sistemi AI esistenti — indica una strategia di sviluppo fondamentalmente diversa. Invece di costruire modelli sempre più grandi addestrati su dati Internet finiti, i ricercatori possono costruire agenti che migliorano attraverso l'uso. Il raddoppio della velocità di apprendimento ogni tre mesi suggerisce che il divario tra un agente appena distribuito e uno esperto si allargherà rapidamente, rendendo i sistemi di agenti persistenti e a lunga esecuzione sempre più preziosi.

Per un settore AI alla ricerca del suo prossimo vettore di crescita dopo il boom dello scaling del pre-training, la scoperta di ByteDance Seed offre una risposta basata sui dati: lasciate che gli agenti imparino sul campo.

Oltre a una singola curva, i ricercatori hanno anche osservato che la velocità di apprendimento degli agenti più avanzati raddoppia circa ogni tre mesi attraverso diverse generazioni di modelli. Questo suggerisce un effetto cumulativo: più a lungo gli agenti operano in contesti reali, più velocemente imparano, e ogni nuova generazione di modelli parte da una base più alta.

Il benchmark: EdgeBench

Per rendere possibile questa scoperta, il team ha sviluppato un nuovo framework di valutazione chiamato EdgeBench, pubblicato il 2 luglio 2026. EdgeBench è una suite di 134 compiti reali che spaziano in sei domini:

• Scoperta scientifica
• Ingegneria del software
• Ottimizzazione combinatoria
• Lavoro professionale di conoscenza
• Matematica formale
• Giochi interattivi

Ogni compito richiede almeno 12 ore di funzionamento continuo dell'agente in ambienti eseguibili con feedback ricco e multilivello. L'articolo di ricerca e un framework di valutazione con 51 compiti resi pubblici sono stati pubblicati il 2 luglio. Il team ha analizzato circa 38.000 ore di interazione degli agenti in questi compiti per identificare la legge di scala.

Perché è importante: la fine dello scaling basato su più dati

Lo scaling tradizionale dell'IA — buttare più dati e più potenza di calcolo su modelli sempre più grandi — sta incontrando un muro. Epoch AI ha avvertito che i testi generati da umani disponibili pubblicamente potrebbero esaurirsi entro sei anni, rendendo insostenibile lo scaling forzato di dati e potenza di calcolo.

Anche i leader del settore AI hanno segnalato questo problema. Andrej Karpathy ha notato che il vecchio paradigma "più dati, più potenza di calcolo" non può durare per sempre.

La scoperta di ByteDance apre una nuova dimensione misurabile per il miglioramento dell'IA: l'apprendimento post-deployment dall'interazione con il mondo reale. Invece di fare affidamento esclusivamente sulla scala del pre-training, gli agenti AI possono continuare a migliorare in modo prevedibile attraverso l'esperienza prolungata nel mondo reale — un percorso che è molto meno vincolato dalle risorse rispetto all'accumulo di dataset sempre più grandi.

La precisione della legge log-sigmoid (R² = 0.998) è fondamentale. Consente di prevedere le prestazioni future a partire dalle prime interazioni, rendendo l'apprendimento degli agenti un oggetto di scala sistematico e prevedibile, non più una scatola nera imprevedibile. Per sviluppatori e aziende, questo significa che il ROI di far funzionare un agente più a lungo in un ambiente reale può essere calcolato in anticipo.

Cosa significa per il futuro

Questa scoperta non si limita a retrofitare i sistemi AI esistenti — indica una strategia di sviluppo fondamentalmente diversa. Invece di costruire modelli sempre più grandi addestrati su dati Internet finiti, i ricercatori possono costruire agenti che migliorano attraverso l'uso. Il raddoppio della velocità di apprendimento ogni tre mesi suggerisce che il divario tra un agente appena distribuito e uno esperto si allargherà rapidamente, rendendo i sistemi di agenti persistenti e a lunga esecuzione sempre più preziosi.

Per un settore AI alla ricerca del suo prossimo vettore di crescita dopo il boom dello scaling del pre-training, la scoperta di ByteDance Seed offre una risposta basata sui dati: lasciate che gli agenti imparino sul campo.