Исследовательское подразделение представило данные, согласно которым автономные агенты способны ускорять своё обучение за счёт длительного выполнения реальных задач в среде взаимодействия с пользователем и внешними системами
В новой опубликованной научной работе команда Seed AI компании ByteDance утверждает, что ИИ-агенты — автономные программные системы, выполняющие задачи вместо 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 пост-развёртывания, в котором агент улучшает поведение за счёт накопленного опыта в реальных сценариях использования. Такой подход рассматривается как альтернатива традиционной стратегии масштабирования моделей через увеличение объёма данных и вычислительных ресурсов.
Авторы отмечают, что индустрия ИИ уже сталкивается с ограничениями «грубой силы» в обучении моделей. Ранее представители отрасли, включая сооснователя Андрея Карпаты, указывали, что простое масштабирование вычислений и данных не может оставаться единственным драйвером прогресса в долгосрочной перспективе.
При этом 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 из которых требует не менее 12 часов непрерывной работы ИИ-агента.
Задачи охватывают широкий спектр областей — от программной инженерии и научных исследований до формальной математики и профессиональной аналитической работы. Такой подход 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 уже после внедрения в реальную эксплуатацию.