Крім єдиної кривої, дослідники також спостерігали, що швидкість навчання провідних AI-агентів приблизно подвоюється кожні три місяці для різних поколінь моделей. Це свідчить про кумулятивний ефект: що довше агенти працюють у реальних умовах, то швидше вони навчаються, і кожне нове покоління моделей стартує з вищої бази.

Бенчмарк: EdgeBench

Для цього відкриття команда розробила нову оціночну структуру під назвою EdgeBench, випущену 2 липня 2026 року. EdgeBench — це набір із 134 реальних завдань у шести сферах:

• Наукові відкриття
• Програмна інженерія
• Комбінаторна оптимізація
• Професійна інтелектуальна робота
• Формальна математика
• Інтерактивні ігри

Кожне завдання вимагає не менше 12 годин безперервної роботи агента за умов багаторівневого зворотного зв'язку. Дослідницьку роботу та структуру оцінювання з 51 публічно доступним завданням було опубліковано 2 липня. Команда проаналізувала приблизно 38 000 годин даних взаємодії агентів у цих завданнях, щоб виявити закон масштабування.

Чому це важливо: кінець епохи масштабування через більше даних

Традиційне масштабування AI — додавання більше даних і більше обчислень для більших моделей — натрапляє на стіну. Epoch AI попередив, що загальнодоступні текстові дані, створені людиною, можуть бути вичерпані протягом шести років, що робить масштабування даних і обчислень неефективним.

Лідери індустрії AI також звернули увагу на цю проблему. Андрей Карпаті зазначив, що стара парадигма «більше даних, більше обчислень» не може тривати вічно.

Відкриття ByteDance відкриває новий, вимірюваний вимір покращення AI: навчання після розгортання через взаємодію з реальним світом. Замість того, щоб покладатися лише на масштаб попереднього навчання, AI-агенти можуть продовжувати передбачувано вдосконалюватися завдяки розширеному реальному досвіду — шлях, який набагато менше обмежений ресурсами, ніж накопичення величезних наборів даних.

Точність лог-сигмоїдного закону (R² = 0,998) має вирішальне значення. Вона дозволяє прогнозувати подальшу продуктивність на основі ранніх траєкторій взаємодії, перетворюючи навчання агента на систематичний і передбачуваний об'єкт масштабування, а не на непередбачувану чорну скриньку. Для розробників і бізнесу це означає, що окупність інвестицій від довшої роботи агента в реальному середовищі можна розрахувати заздалегідь.

Що це означає для майбутнього

Це відкриття не просто вдосконалює існуючі системи AI — воно вказує на принципово іншу стратегію розвитку. Замість створення дедалі більших моделей, навчених на обмежених інтернет-даних, дослідники можуть створювати агенти, які покращуються через використання. Подвоєння швидкості навчання кожні три місяці свідчить про те, що розрив між щойно розгорнутим агентом і досвідченим швидко зростатиме, роблячи постійні, довгострокові системи агентів дедалі ціннішими.

Для індустрії AI, яка шукає новий вектор зростання після буму масштабування попереднього навчання, відкриття ByteDance Seed пропонує підкріплену даними відповідь: дайте агентам можливість навчатися на роботі.

Крім єдиної кривої, дослідники також спостерігали, що швидкість навчання провідних AI-агентів приблизно подвоюється кожні три місяці для різних поколінь моделей. Це свідчить про кумулятивний ефект: що довше агенти працюють у реальних умовах, то швидше вони навчаються, і кожне нове покоління моделей стартує з вищої бази.

Бенчмарк: EdgeBench

Для цього відкриття команда розробила нову оціночну структуру під назвою EdgeBench, випущену 2 липня 2026 року. EdgeBench — це набір із 134 реальних завдань у шести сферах:

• Наукові відкриття
• Програмна інженерія
• Комбінаторна оптимізація
• Професійна інтелектуальна робота
• Формальна математика
• Інтерактивні ігри

Кожне завдання вимагає не менше 12 годин безперервної роботи агента за умов багаторівневого зворотного зв'язку. Дослідницьку роботу та структуру оцінювання з 51 публічно доступним завданням було опубліковано 2 липня. Команда проаналізувала приблизно 38 000 годин даних взаємодії агентів у цих завданнях, щоб виявити закон масштабування.

Чому це важливо: кінець епохи масштабування через більше даних

Традиційне масштабування AI — додавання більше даних і більше обчислень для більших моделей — натрапляє на стіну. Epoch AI попередив, що загальнодоступні текстові дані, створені людиною, можуть бути вичерпані протягом шести років, що робить масштабування даних і обчислень неефективним.

Лідери індустрії AI також звернули увагу на цю проблему. Андрей Карпаті зазначив, що стара парадигма «більше даних, більше обчислень» не може тривати вічно.

Відкриття ByteDance відкриває новий, вимірюваний вимір покращення AI: навчання після розгортання через взаємодію з реальним світом. Замість того, щоб покладатися лише на масштаб попереднього навчання, AI-агенти можуть продовжувати передбачувано вдосконалюватися завдяки розширеному реальному досвіду — шлях, який набагато менше обмежений ресурсами, ніж накопичення величезних наборів даних.

Точність лог-сигмоїдного закону (R² = 0,998) має вирішальне значення. Вона дозволяє прогнозувати подальшу продуктивність на основі ранніх траєкторій взаємодії, перетворюючи навчання агента на систематичний і передбачуваний об'єкт масштабування, а не на непередбачувану чорну скриньку. Для розробників і бізнесу це означає, що окупність інвестицій від довшої роботи агента в реальному середовищі можна розрахувати заздалегідь.

Що це означає для майбутнього

Це відкриття не просто вдосконалює існуючі системи AI — воно вказує на принципово іншу стратегію розвитку. Замість створення дедалі більших моделей, навчених на обмежених інтернет-даних, дослідники можуть створювати агенти, які покращуються через використання. Подвоєння швидкості навчання кожні три місяці свідчить про те, що розрив між щойно розгорнутим агентом і досвідченим швидко зростатиме, роблячи постійні, довгострокові системи агентів дедалі ціннішими.

Для індустрії AI, яка шукає новий вектор зростання після буму масштабування попереднього навчання, відкриття ByteDance Seed пропонує підкріплену даними відповідь: дайте агентам можливість навчатися на роботі.