ByteDance сообщает о рекордном увеличении скорости обучения ИИ-агентов в реальных условиях

Исследовательская группа представила информацию, согласно которой автономные агенты могут увеличивать скорость своего обучения за счёт длительного выполнения настоящих задач в среде взаимодействия с пользователями и внешними системами

Искусственный интеллект126 минут назад

В недавно опубликованной научной статье команда Seed AI компании ByteDance утверждает, что ИИ-агенты — это автономные программные системы, которые выполняют задачи вместо человека — способны удваивать свою скорость обучения примерно каждые три месяца при продолжительном взаимодействии с реальными средами.

Здесь речь идёт не о традиционном обучении на заранее подготовленных наборах данных, а о процессе пост-развёртывания, в котором агент улучшает своё поведение благодаря накопленному опыту в реальных сценариях применения. Данный подход рассматривается как альтернатива классической стратегии масштабирования моделей путём увеличения объёма данных и вычислительных ресурсов.

Авторы подчеркивают, что индустрия ИИ уже сталкивается с ограничениями, связанными с подходом «грубой силы» в обучении моделей. Ранее представители отрасли, включая сооснователя Андрея Карпаты, отмечали, что простое масштабирование вычислений и данных не может оставаться единственным фактором прогресса в долгосрочной перспективе.

При этом исследователи акцентируют внимание на том, что поведение ИИ-агентов после их 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 создала бенчмарк EdgeBench, который включает 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 аналитики. Такой подход позволяет оценивать не только точность решений, но и способность системы сохранять стабильность и эффективность в условиях длительного автономного функционирования.

Результаты работы укладываются в более широкий тренд развития агентного ИИ, где важным направлением становится не только качество исходной модели, но и её способность обучаться и адаптироваться после внедрения в реальную эксплуатацию.

Darth SaharaИсточники:South China Morning PostИскусственный интеллект1Искусственный интеллектКитайByteDanceИИ-агенты26 минут назад