Исследовательская группа представила информацию, согласно которой автономные агенты способны ускорять своё обучение благодаря длительному выполнению реальных задач в среде взаимодействия с пользователем и внешними системами
Искусственный интеллект205 июл 13:34
В недавно опубликованной научной статье команда Seed AI компании ByteDance утверждает, что ИИ-агенты — автономные программные системы, выполняющие задачи от имени человека — показывают способность удваивать скорость обучения примерно каждые три месяца при продолжительном взаимодействии с реальными средами.
Здесь речь идёт не о традиционном обучении на заранее подготовленных датасетах, а о процессе пост-развёртывания, в котором агент совершенствует своё поведение, основываясь на накопленном опыте в реальных сценариях. Такой подход рассматривается как альтернатива устоявшейся стратегии масштабирования моделей за счёт увеличения объёма данных и вычислительных мощностей.
Авторы подчеркивают, что индустрия ИИ уже сталкивается с ограничениями «грубой силы» в обучении моделей. Ранее представители данного сектора, включая сооснователя Андрея Карпату, указывали, что простое увеличение вычислительных ресурсов и данных не может оставаться единственным фактором прогресса в долгосрочной перспективе.
В то же время исследователи подчеркивают, что поведение ИИ-агентов после внедрения в реальные условия 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, который включает 134 длительных задачи, каждая из которых требует не менее 12 часов непрерывной работы ИИ-агента.
Задачи охватывают разнообразные области — от программной инженерии и научных исследований до формальной математики и профессиональной аналитической деятельности. Такой подход позволяет оценивать не только точность решений, но и способность системы сохранять стабильность и эффективность в условиях длительного автономного функционирования.
Результаты этого исследования 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.
Darth SaharaИсточники:South China Morning PostИскусственный интеллект2Искусственный интеллектКитайByteDanceИИ-агенты05 июл 13:34
Источник