Китайская технологическая компания ByteDance опубликовала исследование, которое может предложить новый путь для развития искусственного интеллекта в условиях, когда традиционные методы обучения начинают исчерпывать себя.
Согласно исследованию, специалисты Seed AI (подразделение ByteDance) пришли к выводу, что так называемые ИИ-агенты — автономные программы, выполняющие задачи за человека — могут существенно улучшать свои показатели в процессе длительного взаимодействия с реальными средами. В ходе экспериментов было установлено, что скорость обучения таких агентов способна удваиваться каждые три месяца при условии их непрерывной работы с практическими задачами.
Это открытие появилось на фоне растущей обеспокоенности в индустрии по поводу предела роста эффективности больших языковых моделей. Долгое время прогресс достигался за счет увеличения объемов данных и вычислительных мощностей на этапе начального обучения. Однако, по оценкам аналитиков, запасы общедоступных текстовых данных, созданных людьми, могут быть исчерпаны в ближайшие шесть лет, что заставляет компании искать обходные пути.
В своем исследовании команда ByteDance отмечает, что, хотя интерес к агентному ИИ растет, процесс их адаптации после развертывания изучен пока недостаточно. Чтобы заполнить этот пробел, они разработали тестовый набор EdgeBench, включающий 134 сложных задания из таких областей, как разработка ПО, научные открытия, математика и профессиональная работа. Все эти задачи требуют как минимум 12 часов непрерывной работы агента.
Для сбора данных было зафиксировано 38 тысяч часов взаимодействия агентов с окружающей средой. В тестах участвовали как зарубежные модели (Anthropic Claude Opus 4.8, OpenAI GPT-5.5 и GPT-5.4), так и китайские разработки (Zhipu AI и DeepSeek).
Полученные результаты показали, что производительность агентов подчиняется четкой математической закономерности. Это означает, что ИИ может продолжать улучшаться предсказуемым образом через практический опыт, даже когда потенциал традиционного обучения на статических данных снижается.
Отмечается, что обучение после развертывания в богатой среде заслуживает такого же внимания и системного подхода к масштабированию, как и этап предварительного обучения. По мере того как ИИ-агенты внедряются в реальные сценарии — от корпоративного ПО до научных исследований — их способность учиться на лету и адаптироваться становится главным фактором для создания действительно масштабных и эффективных систем.
Читайте также: «Инженеры получили инструмент для создания чипов с первой попытки».