主要成果
マルチエージェント自己監視（MASS: Multi-Agent Self-Supervision）の導入により、AIモデルの再帰的自己改善（RSI）において顕著な性能向上が確認されました。Qwen3.6-27Bを用いた2サイクルのMASS適用後、4つのオープンエンドな公開ベンチマークにおいて、出力トークンあたりの性能が1.2〜1.6倍に向上しました。また、マルチエージェントの軌跡を用いた学習は効率的であり、シングルエージェントの学習データより1.4倍少ないトークン数で、それを上回る性能を達成しています。
技術・詳細
MASSは、進化的なワークフロー最適化と、自己生成された軌跡に基づく教師あり微調整（SFT）を交互に繰り返す手法です。単一のモデルインスタンスでは、自身の複雑な推論を批判し改善することが難しいという「同質的なループ」の問題があります。これを解決するため、MASSでは単一のベースモデルに、マルチエージェント・ワークフローの提案、実行、自己評価を反復的に行わせます。
具体的には、構造的なガードレールに制約された進化的探索を通じて、計算グラフのようなオーケストレーションを最適化し、タスクに最適な役割分担と情報ルーティングを探索します。これにより、複雑なタスクを単純な要素に分解し、個々のブラインドスポットを克服した collective experience（集合的な経験）を共有重みに蒸留することが可能になります。また、サブエージェントの実行とオーケストレーションを共同で学習させることで、学習効率を高めています。
背景・業界の文脈
AIシステムは、球充填境界の改善や新しいグルオン散乱公式、実験的に検証されたナノボディ設計など、独創的な科学的成果に寄与し始めています。しかし、こうしたフロンティア領域のタスクでは、出力が人間専門家の能力を超え、信頼できる監視（スーパービジョン）を得ることが困難になる「監視のボトルネック」が発生します。例えば、核融合研究における単一のトカマクプラズマ研究には1億2,000万CPU時間以上を要する場合があり、フィードバックの速度や精度が課題となっていました。
今後の展望
改善されたモデルが、次なるサイクルのより優れた最適化器および評価器として機能するため、この交互フレームワークは能力の継続的な再帰的ブートストラップを可能にします。オーケストレーションと限定的なサブエージェント実行を共同で学習することが、再帰的自己改善のための有効な信号となることが示唆されました。
元記事: https://arxiv.org/html/2610.12176v1
毎週の技術動向レポートを無料でお届け
各分野の分析レポートを読む価値があるかどうか一目で判断できるインフォグラフィックをメールで受け取れます。
📢 メールマガジンに無料登録（週刊・技術動向レポート）
ご登録いただくと、Troy-Technical から週刊で技術動向レポート（メールマガジン）をお届けします。
- 取得したメールアドレス・選択分野は配信目的にのみ使用します。
- 第三者へ提供することはありません。
- 配信はいつでも解除できます（各メール下部のリンクから）。
詳しくはプライバシーポリシーをご覧ください。
登録は1分・いつでも解除できます
