プログラムを書くAIが自らの失敗を分析し、解決率を57.8％から64.8％に向上

プログラミング作業を支援する学習して、人間のように文章を理解・生成できるAI。ChatGPTやGeminiの中身。">LLMエージェントが、自らの失敗を分析して動作環境とAIモデルを交互に自己改善させる新手法「Self-HPO」に関する論文が公開された。

従来の開発手法では、指示を処理するモデル本体と外部環境をつなぐ実行基盤の双方が相互に影響し合うにもかかわらず、片方のみを個別に最適化することが多く、学習できる範囲が限定される点が課題となっていた。

Self-HPOでは、AIが自らの失敗原因を分析して実行基盤の改善案を提示し、その基盤上で強化学習を行ってモデルを更新する工程を再帰的に繰り返す。学習中に判明した高難度タスクを次の探索に活用することで、モデルの変化に合わせた改善を続ける。

3つのベンチマークを用いた実験において、「Qwen3.5-35B-A3B」の平均解決率が57.8％から64.8％へと向上した。また、提案役に「Opus 4.8」などの外部モデルを用いることで、さらなる性能向上が得られることも示された。