Além de uma curva única, os pesquisadores também observaram que a velocidade de aprendizado de agentes de ponta dobra aproximadamente a cada três meses em diferentes gerações de modelos. Isso sugere um efeito de acumulação: quanto mais tempo os agentes operam em ambientes reais, mais rápido eles aprendem, e cada nova geração de modelos começa de um patamar mais alto.

O Benchmark: EdgeBench

Para tornar essa descoberta possível, a equipe desenvolveu uma nova estrutura de avaliação chamada EdgeBench, lançada em 2 de julho de 2026. O EdgeBench é um conjunto de 134 tarefas do mundo real distribuídas em seis domínios:

• Descoberta científica
• Engenharia de software
• Otimização combinatória
• Trabalho profissional de conhecimento
• Matemática formal
• Jogos interativos

Cada tarefa exige pelo menos 12 horas de operação contínua do agente sob feedback rico e em múltiplos níveis. O artigo de pesquisa e uma estrutura de avaliação com 51 tarefas disponibilizadas publicamente foram publicados em 2 de julho. A equipe analisou aproximadamente 38.000 horas de dados de interação de agentes nessas tarefas para identificar a lei de escala.

Por Que Isso Importa: O Fim da Escala Baseada em Mais Dados

A escala tradicional de IA — jogar mais dados e mais poder computacional em modelos maiores — está encontrando um muro. A Epoch AI alertou que os dados textuais gerados por humanos disponíveis publicamente podem se esgotar em seis anos, tornando a escala de dados e computação insustentável.

Líderes da indústria de IA também já sinalizaram esse problema. Andrej Karpathy observou que o velho paradigma de "mais dados, mais computação" não pode durar para sempre.

A descoberta da ByteDance abre uma nova dimensão mensurável para o avanço da IA: o aprendizado pós-implantação a partir da interação com o mundo real. Em vez de depender apenas da escala do pré-treinamento, os agentes de IA podem continuar melhorando de forma previsível através da experiência prolongada no mundo real — um caminho que é muito menos limitado por recursos do que acumular conjuntos de dados cada vez maiores.

A precisão da lei log-sigmoidal (R² = 0,998) é fundamental. Ela permite prever o desempenho futuro a partir das trajetórias iniciais de interação, tornando o aprendizado do agente um objeto de escala sistemático e previsível, em vez de uma caixa-preta imprevisível. Para desenvolvedores e empresas, isso significa que o retorno sobre o investimento de deixar um agente operar por mais tempo em um ambiente real pode ser calculado antecipadamente.

O Que Isso Significa para o Futuro

Essa descoberta não apenas moderniza os sistemas de IA existentes — ela aponta para uma estratégia de desenvolvimento fundamentalmente diferente. Em vez de construir modelos cada vez maiores treinados em dados finitos da internet, os pesquisadores podem construir agentes que melhoram através do uso. A duplicação da velocidade de aprendizado a cada três meses sugere que a lacuna entre um agente recém-implantado e um experiente aumentará rapidamente, tornando os sistemas de agentes persistentes e de longa duração cada vez mais valiosos.

Para uma indústria de IA em busca de seu próximo vetor de crescimento após o boom da escala de pré-treinamento, a descoberta do time Seed da ByteDance oferece uma resposta baseada em dados: deixe os agentes aprenderem na prática.

Além de uma curva única, os pesquisadores também observaram que a velocidade de aprendizado de agentes de ponta dobra aproximadamente a cada três meses em diferentes gerações de modelos. Isso sugere um efeito de acumulação: quanto mais tempo os agentes operam em ambientes reais, mais rápido eles aprendem, e cada nova geração de modelos começa de um patamar mais alto.

O Benchmark: EdgeBench

Para tornar essa descoberta possível, a equipe desenvolveu uma nova estrutura de avaliação chamada EdgeBench, lançada em 2 de julho de 2026. O EdgeBench é um conjunto de 134 tarefas do mundo real distribuídas em seis domínios:

• Descoberta científica
• Engenharia de software
• Otimização combinatória
• Trabalho profissional de conhecimento
• Matemática formal
• Jogos interativos

Cada tarefa exige pelo menos 12 horas de operação contínua do agente sob feedback rico e em múltiplos níveis. O artigo de pesquisa e uma estrutura de avaliação com 51 tarefas disponibilizadas publicamente foram publicados em 2 de julho. A equipe analisou aproximadamente 38.000 horas de dados de interação de agentes nessas tarefas para identificar a lei de escala.

Por Que Isso Importa: O Fim da Escala Baseada em Mais Dados

A escala tradicional de IA — jogar mais dados e mais poder computacional em modelos maiores — está encontrando um muro. A Epoch AI alertou que os dados textuais gerados por humanos disponíveis publicamente podem se esgotar em seis anos, tornando a escala de dados e computação insustentável.

Líderes da indústria de IA também já sinalizaram esse problema. Andrej Karpathy observou que o velho paradigma de "mais dados, mais computação" não pode durar para sempre.

A descoberta da ByteDance abre uma nova dimensão mensurável para o avanço da IA: o aprendizado pós-implantação a partir da interação com o mundo real. Em vez de depender apenas da escala do pré-treinamento, os agentes de IA podem continuar melhorando de forma previsível através da experiência prolongada no mundo real — um caminho que é muito menos limitado por recursos do que acumular conjuntos de dados cada vez maiores.

A precisão da lei log-sigmoidal (R² = 0,998) é fundamental. Ela permite prever o desempenho futuro a partir das trajetórias iniciais de interação, tornando o aprendizado do agente um objeto de escala sistemático e previsível, em vez de uma caixa-preta imprevisível. Para desenvolvedores e empresas, isso significa que o retorno sobre o investimento de deixar um agente operar por mais tempo em um ambiente real pode ser calculado antecipadamente.

O Que Isso Significa para o Futuro

Essa descoberta não apenas moderniza os sistemas de IA existentes — ela aponta para uma estratégia de desenvolvimento fundamentalmente diferente. Em vez de construir modelos cada vez maiores treinados em dados finitos da internet, os pesquisadores podem construir agentes que melhoram através do uso. A duplicação da velocidade de aprendizado a cada três meses sugere que a lacuna entre um agente recém-implantado e um experiente aumentará rapidamente, tornando os sistemas de agentes persistentes e de longa duração cada vez mais valiosos.

Para uma indústria de IA em busca de seu próximo vetor de crescimento após o boom da escala de pré-treinamento, a descoberta do time Seed da ByteDance oferece uma resposta baseada em dados: deixe os agentes aprenderem na prática.