ByteDance: ИИ-агенты удваивают скорость обучения каждые три месяца в реальных задачах
Исследовательское подразделение Seed AI компании ByteDance опубликовало научную работу, в которой утверждается, что ИИ-агенты — автономные системы, выполняющие задачи за человека — демонстрируют способность удваивать скорость обучения примерно каждые три месяца при длительном взаимодействии с реальными средами.
Речь идёт не о классическом обучении на заранее подготовленных датасетах, а о процессе после развёртывания: агент улучшает своё поведение за счёт накопленного опыта в реальных сценариях использования. Такой подход рассматривается как альтернатива традиционному масштабированию моделей через увеличение объёмов данных и вычислительных ресурсов.
По данным авторов, индустрия ИИ уже сталкивается с ограничениями «грубой силы» в обучении моделей. Сооснователь компании Andrej Karpathy ранее указывал, что простое масштабирование вычислений и данных не может оставаться единственным драйвером прогресса в долгосрочной перспективе.
Исследователи подчёркивают, что поведение ИИ-агентов после внедрения в реальные среды остаётся недостаточно изученным, несмотря на растущий переход компаний к агентным системам, способным выполнять сложные многошаговые операции.
Для анализа этого процесса команда ByteDance разработала бенчмарк EdgeBench, включающий 134 длительных задачи. Каждая задача требует не менее 12 часов непрерывной работы ИИ-агента и охватывает такие области, как программная инженерия, научные исследования, формальная математика и профессиональная аналитическая работа.
EdgeBench позволяет оценивать не только точность решений, но и способность системы сохранять стабильность и эффективность в условиях длительного автономного функционирования. Результаты работы вписываются в более широкий тренд развития агентного ИИ, где ключевым направлением становится не только качество исходной модели, но и её способность обучаться и адаптироваться после внедрения в реальную эксплуатацию.
