Naast een enkele curve observeerden de onderzoekers ook dat de leersnelheid van toonaangevende agenten ongeveer elke drie maanden verdubbelt over verschillende modelgeneraties heen. Dit wijst op een cumulatief effect: hoe langer agenten in echte omgevingen opereren, hoe sneller ze leren, en elke nieuwe generatie modellen begint vanaf een hoger startpunt.

De benchmark: EdgeBench

Om deze ontdekking mogelijk te maken, ontwikkelde het team een nieuw evaluatiekader genaamd EdgeBench, uitgebracht op 2 juli 2026. EdgeBench is een verzameling van 134 echte taken verdeeld over zes domeinen:

• Wetenschappelijke ontdekkingen
• Software-engineering
• Combinatorische optimalisatie
• Professioneel kenniswerk
• Formele wiskunde
• Interactieve spellen

Elke taak vereist minimaal 12 uur onafgebroken agentwerking onder rijke, meervoudige feedback. Het onderzoekspaper en een evaluatiekader met 51 openbaar gemaakte taken werden op 2 juli gepubliceerd. Het team analyseerde ongeveer 38.000 uur aan agent-interactiegegevens over deze taken om de schaalwet te identificeren.

Waarom dit ertoe doet: het einde van de 'meer-data'-schaalvergroting

Traditionele AI-schaalvergroting — het gooien van meer data en rekenkracht naar grotere modellen — stuit op een muur. Epoch AI heeft gewaarschuwd dat openbaar beschikbare door mensen gegenereerde tekst binnen zes jaar uitgeput kan zijn, waardoor brute-force schaalvergroting van data en rekenkracht onhoudbaar wordt.

AI-industrieleiders hebben dit probleem ook aangekaart. Andrej Karpathy heeft opgemerkt dat het oude paradigma van 'meer data, meer rekenkracht' niet eeuwig kan duren.

De vondst van ByteDance opent een nieuwe, meetbare dimensie van AI-verbetering: leren na implementatie door interactie met de echte wereld. In plaats van uitsluitend te vertrouwen op schaalvergroting tijdens de training, kunnen AI-agenten voorspelbaar blijven verbeteren door uitgebreide ervaring in de echte wereld — een pad dat veel minder wordt beperkt door schaarste dan het verzamelen van steeds grotere datasets.

De precisie van de log-sigmoïde wet (R² = 0,998) is cruciaal. Het maakt het voorspellen van latere prestaties op basis van vroege interactiepatronen mogelijk, waardoor het leren van agenten een systematisch en voorspelbaar schaalobject wordt in plaats van een onvoorspelbare black box. Voor ontwikkelaars en bedrijven betekent dit dat de ROI van het langer laten draaien van een agent in een echte omgeving vooraf kan worden berekend.

Wat dit betekent voor de toekomst

Deze ontdekking past niet alleen bestaande AI-systemen aan — het wijst op een fundamenteel andere ontwikkelstrategie. In plaats van steeds grotere modellen te bouwen die zijn getraind op eindige internetdata, kunnen onderzoekers agenten bouwen die verbeteren door gebruik. De verdubbeling van de leersnelheid elke drie maanden suggereert dat de kloof tussen een nieuw geïmplementeerde agent en een ervaren agent snel zal groeien, waardoor persistente, langlopende agentsystemen steeds waardevoller worden.

Voor een AI-industrie die op zoek is naar de volgende groeivector na de pretraining-schaalgolf, biedt ByteDance Seed's ontdekking een data-onderbouwd antwoord: laat agenten leren op de werkvloer.

Naast een enkele curve observeerden de onderzoekers ook dat de leersnelheid van toonaangevende agenten ongeveer elke drie maanden verdubbelt over verschillende modelgeneraties heen. Dit wijst op een cumulatief effect: hoe langer agenten in echte omgevingen opereren, hoe sneller ze leren, en elke nieuwe generatie modellen begint vanaf een hoger startpunt.

De benchmark: EdgeBench

Om deze ontdekking mogelijk te maken, ontwikkelde het team een nieuw evaluatiekader genaamd EdgeBench, uitgebracht op 2 juli 2026. EdgeBench is een verzameling van 134 echte taken verdeeld over zes domeinen:

• Wetenschappelijke ontdekkingen
• Software-engineering
• Combinatorische optimalisatie
• Professioneel kenniswerk
• Formele wiskunde
• Interactieve spellen

Elke taak vereist minimaal 12 uur onafgebroken agentwerking onder rijke, meervoudige feedback. Het onderzoekspaper en een evaluatiekader met 51 openbaar gemaakte taken werden op 2 juli gepubliceerd. Het team analyseerde ongeveer 38.000 uur aan agent-interactiegegevens over deze taken om de schaalwet te identificeren.

Waarom dit ertoe doet: het einde van de 'meer-data'-schaalvergroting

Traditionele AI-schaalvergroting — het gooien van meer data en rekenkracht naar grotere modellen — stuit op een muur. Epoch AI heeft gewaarschuwd dat openbaar beschikbare door mensen gegenereerde tekst binnen zes jaar uitgeput kan zijn, waardoor brute-force schaalvergroting van data en rekenkracht onhoudbaar wordt.

AI-industrieleiders hebben dit probleem ook aangekaart. Andrej Karpathy heeft opgemerkt dat het oude paradigma van 'meer data, meer rekenkracht' niet eeuwig kan duren.

De vondst van ByteDance opent een nieuwe, meetbare dimensie van AI-verbetering: leren na implementatie door interactie met de echte wereld. In plaats van uitsluitend te vertrouwen op schaalvergroting tijdens de training, kunnen AI-agenten voorspelbaar blijven verbeteren door uitgebreide ervaring in de echte wereld — een pad dat veel minder wordt beperkt door schaarste dan het verzamelen van steeds grotere datasets.

De precisie van de log-sigmoïde wet (R² = 0,998) is cruciaal. Het maakt het voorspellen van latere prestaties op basis van vroege interactiepatronen mogelijk, waardoor het leren van agenten een systematisch en voorspelbaar schaalobject wordt in plaats van een onvoorspelbare black box. Voor ontwikkelaars en bedrijven betekent dit dat de ROI van het langer laten draaien van een agent in een echte omgeving vooraf kan worden berekend.

Wat dit betekent voor de toekomst

Deze ontdekking past niet alleen bestaande AI-systemen aan — het wijst op een fundamenteel andere ontwikkelstrategie. In plaats van steeds grotere modellen te bouwen die zijn getraind op eindige internetdata, kunnen onderzoekers agenten bouwen die verbeteren door gebruik. De verdubbeling van de leersnelheid elke drie maanden suggereert dat de kloof tussen een nieuw geïmplementeerde agent en een ervaren agent snel zal groeien, waardoor persistente, langlopende agentsystemen steeds waardevoller worden.

Voor een AI-industrie die op zoek is naar de volgende groeivector na de pretraining-schaalgolf, biedt ByteDance Seed's ontdekking een data-onderbouwd antwoord: laat agenten leren op de werkvloer.