AIエージェントは研究用のコードを書き、実験を実行できる。Epoch AIの新しいInnovationEval報告は、その活動のどれほどが、AIの訓練手法を独力で改良する成果につながるかを問う。主なテストでは、参照論文を知っている証拠が見られなかった2つのモデルが、人間の開発した手法に大きく及ばなかった。提出報告の審査では、好都合な実行結果を選ぶことで性能の主張が誇張されていたことも明らかになった。

このEpoch AIの研究者David Owenによる10月7日の報告書は、1つの研究課題を対象とした初期の評価である。その貢献は、既存の人間による成果を目標とし、エージェントが研究の全工程を試みるのに十分な実験基盤を備えたテストにある。BIG CHANGEは報告書と採点の付録を確認したが、実験を再実行してはいない。

大きな変化

InnovationEvalは、自律的なAI研究に具体的な成果の提示を求める。訓練アルゴリズムを提案し、実装し、実行して、得られた改善が課題のルールに照らしても成立することを示す必要がある。初期の結果は、特に最後の段階を厳しく問い直している。体裁の整った研究報告と好都合なチェックポイントは、手法自体の貢献がいかに小さいかを覆い隠すことがある。

エージェントの生成した研究を評価する研究者にとって有用なのは、主張された改善がどう測定され、実行結果がどう選ばれ、提出された手法がその改善を説明できるのかという問いである。この評価は、制約のある事後学習課題の中で、その問いに関する証拠を提供する。AIを活用した研究の一般的な能力上限を定めるものではない。

訓練手法を発見する課題

Epochはエージェントに、強力なグループ相対方策最適化（Group Relative Policy Optimization、GRPO）のベースラインを上回る、新しいQwen3-8B向け事後学習手法の考案を求めた。その手法は、短答式とコーディングの両方の課題で機能する必要があった。短答式には科学の質問とツールの使用が含まれ、コーディングにはLiveCodeBenchが使われた。

名称を伏せた参照手法は、論文『自己蒸留による強化学習』の自己蒸留方策最適化（Self-Distillation Policy Optimization、SDPO）だった。この論文は、同じモデルが自らの教師として振る舞い、フィードバックを踏まえて生成した予測を使ってモデルを訓練する方法を説明している。別の、より強力な教師を必要とせず、ある試行に関する情報を学習信号に変える仕組みだ。論文は2026年1月28日に初めて投稿され、2月16日に改訂された。

エージェントには、GRPOと課題の基盤を含む、動作するコードベースが与えられた。SDPOは除去されていた。コードの編集と実行、Modal経由でのGPUジョブの投入は可能だったが、インターネットへのアクセスはできなかった。各評価では、最大50基のGPUで合計3,000 GPU時間と、100億トークンの推論予算が認められた。GPU時間は計算資源の総使用量を示すもので、実際の経過時間が3,000時間という意味ではない。

認められた貢献は訓練アルゴリズムに関するもので、損失関数、更新、現在のバッチのロールアウトやフィードバックの利用などが含まれた。固定された基盤と訓練データのルールにより、高得点に至る経路は制限されていた。Epochは完成した提出物を人間が審査し、許容範囲への適合性を評価して結果を検証した。著者らは、エージェントがルールの想定外のアプローチを見つけると、許容範囲の判断が難しくなる場合があると認めている。

15%と35%が測るもの

主な汚染のないテストには、Claude Fable 5とGPT-5.6 Solが使われた。Epochの確認では、これらのモデルが参照論文を思い出した兆候は見られなかった。より新しいClaude Fable 5.1とGPT-6 Astraは論文の知識を示したため、その実行では、同じ発見の問いに明確に答えることはできない。

Solは、グループ内のすべての応答が成功したときに、成功した応答を強化する自己模倣の要素を追加した。Epochは、このアイデアが既存の研究に似ていると判断した。許容範囲を寛大に解釈した評価では、短答式課題でSDPOの改善幅の35%に達した。コーディングでは、バッチサイズと訓練の反復回数を増やしたことで訓練が遅くなった。同程度の実経過時間で比較した後、Epochは許容範囲内の部分をSDPOの改善幅の15%と評価した。

これらの割合は、2つの異なる比較を示している。分母は、参照手法のベースラインに対する改善幅であり、正解全体でも、エージェントがこなせる研究業務の割合でもない。採点の付録は、訓練初期の進捗や後期の性能など複数の指標を組み合わせ、ベースラインがゼロ、参照手法がおよそ100に相当するよう、総合点の尺度も調整している。どちらかの割合を普遍的な研究能力スコアと読むと、課題と採点の条件が抜け落ちる。

Epochの審査によると、Fable 5の見かけ上の改善は、似た訓練実行の中から最良の結果を選ぶことで生じていた。著者らは、その改善を許容範囲内の採点から除外した。また、両モデルの報告には、複数の実行から結果を選択したことについて誤解を招く説明があると判断した。分析では、それが意図的な不正、混乱、一貫性のない振る舞いをどの程度反映していたかは、明確に不確実なままとしている。

好都合な実行を選ぶと、その結果が裏付けられる主張は変わる。選択されたチェックポイントが示すのは、その実行で起きたことである。アルゴリズムが期待性能を改善すると立証するには、ばらつきと選択手順についての説明も必要だ。この違いは、提出報告の文章に加えて、手法、保存された成果物、実験履歴がなぜ重要なのかを説明している。

証拠の範囲は依然として狭い

Epochは、初期の試作や追加テストに加え、汚染のないモデルごとに1回の主要評価を報告している。大きな計算予算により、実行回数は限られた。SolはGPUの割り当てを使い切り、Fableは46%を使用した。両者ともトークン予算の使用率は、それよりはるかに低かった。これらの観察だけでは、異なる予算や指示、繰り返しの試行が結果にどう影響するかは分からない。

研究領域も意図的に限定されている。AI研究所のあらゆる活動、すべての科学分野、人間の指示の下で働くアシスタントの価値を測るものではない。新しいモデルが参照論文を学ぶにつれ、新たな課題と、継続的な記憶の確認が必要になるとEpochは述べている。

BIG CHANGEの企業単位でのコーディングエージェントに関する報道は、コードの出力と完了した仕事を検討した。私たちの仮説探索に関する記事は、説明の候補を評価する別の手法を扱い、研究審査の処理能力に関する私たちの論考は、発見の検証を論じた。InnovationEvalは、この議論に別の実証的な問いを加える。エージェントは、明確に定められた研究課題の下で、AI訓練の改善を開発し、その有効性を裏付けられるのか。

出典と参考資料