何を: 経験を通じて自ら発展するAIエージェントの自己改善効率を測定するため、エージェント可塑性の概念を導入し、評価方法を研究した。
主な結果: 最新モデルは学習機会が類似しているにもかかわらず向上経路に大きな差を示し、最終的な性能が最も優れたエージェントが必ずしも最も効率的に向上するわけではなかった。
意味: 人工知能の発展可能性を評価する際、固定された時点の能力だけでなく、経験を通じてどれほど効果的に改善されるかを測定することが重要であることを示している。AI要約

エージェント・コーディング

要約を詳しく原文を読む ↗ PDF ↗

論文2026-10-04 · arXiv (Cornell University)

複数のAIエージェントがGitリポジトリに作業を積み重ねて問題を解く手法を提案

GitSwarm: Decentralized Compounding Inference

Rob Fergus ほか13名

何を: 同一の複数のAIエージェントが共有Gitリポジトリで各自独立して作業を進め、中間成果物を継続的に保存・参照・結合できる「累積型推論」システムGitSwarmを提案し評価しました。
主な結果: 数学の証明30問を1度の実行ですべて解き、プログラミング課題ProgramBenchで平均79.4点を記録し、予算条件が定められた中で最も強いベースライン（65.1点）を上回り、ニューラルネットワーク構造研究の3つの課題で反復実験を通じて出発点構造を改善したと報告しました。
意味: AIが試行ごとに結果を捨てず、中期成果を積み重ねて次の作業に再利用できることを示し、長期的な問題解決や科学研究用AI設計の方向性を提示しています。ただし、抄録に記載されたレベルの結果であるため、実際の産業への波及効果はこの資料だけでは判断が困難です。AI要約

エージェント・コーディング科学のためのAI

要約を詳しく原文を読む ↗ PDF ↗

論文2026-09-29 · arXiv (Cornell University)

AIエージェントが作業前に「どのように進めるか」を先に見極めるメタ推論手法を提案

Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning

Rob Fergus ほか11名

何を: 長時間の作業を行うAIエージェントが、以前の作業結果をどれだけ再利用するか、新しく始めるか、いつ停止するかといった実行制御の決定を体系的な推論プロセスとして扱う「エージェント・メタ推論」方式を提案しました。
主な結果: プログラム再構成ベンチマークのProgramBenchにおいて、GPT-5.5ベースで71.5%を記録しCodexの58.0%を上回り、Opus 4.8ベースでは67.2%を記録しClaude Codeの65.5%を上回りました。
意味: アブストラクトによると、エージェントがより長い作業を実行するほど、計算リソースを構造化された実行制御に割くことがより重要になる可能性があることを示唆しています。ただし、アブストラクトの結果は特定のベンチマークと実験条件で得られたものであるため、実際の製品性能に直結するとは言えません。AI要約

推論効率・軽量化エージェント・コーディング

要約を詳しく原文を読む ↗ PDF ↗

本ページは公開論文・公式発表・報道を整理した情報提供用の資料です。論文要約は抄録をもとにAIが作成し運営者が確認したもので、原文と異なる場合があるため、重要な内容は原文をご確認ください。特定銘柄の売買推奨や投資助言ではありません。人事異動は公式発表または主要報道を出典として表示し、経歴の一部はウィキデータ（CC0）を参照しています。このページの要約は、運営者が確認した韓国語版をもとにAIが翻訳したものです。