テクニカルサマリー：HyperTool：ステップ単位のツール呼び出しを超えて

1. 問題提起

現在のツール拡張型大規模言語モデル（LLM）エージェントは、主にステップ単位の原子的なツール呼び出しに依存しています。このパラダイムでは、すべてのツールの呼び出し、観測、および値の転送が、メインの推論トレースにおける個別の遷移として露出されます。これは単純かつ汎用的ではありますが、実行粒度のミスマッチを引き起こします。

• コンテキストの膨張： タスクの最終結果に特定のフィールドのみが必要な場合でも、長いツールの観測結果が推論トレースに蓄積されてしまいます。
• 推論の断片化： モデルは、低レベルで決定論的な操作（例：データのパース、フィルタリング、または複数のAPI呼び出しの連鎖）のために、メインの意思決定ループに繰り返し戻ることを強制されます。これにより、高レベルのタスク推論と手続き的な状態転送が交互に発生し、全体的な推論構造を乱し、不必要な認知負荷を課します。

既存のコンテキスト管理ソリューション（プルーニング、圧縮、要約、またはサブエージェント）は、トレースに対して事後的に作用するか、あるいは透明性を低下させる粗い委譲に依存しています。これらは、ツール使用の実行粒度を根本的に変えるものではありません。

2. メソドロジー：HyperToolフレームワーク

著者らは、モデルが可視化する実行単位を、原子的な呼び出しから実行可能なコードブロックへと移行させる、統一された実行可能かつModel Context Protocol（MCP）スタイルのツールインターフェースであるHyperToolを提案しています。

2.1 コアメカニズム

エージェントは、一連の Call(tool, args) アクションを発行する代わりに、単一の Block(code) アクションを呼び出します。このブロック内では以下が行われます：

• ローカル実行： エージェントは、元のスキーマを通じて既存のツールを呼び出すことができます。
• データフロー管理： 中間出力はローカル変数として保存され、標準的なプログラムロジックを用いてパース、フィルタリング、および変換されます。
• 決定論的な折り畳み（Folding）： 多段階の決定論的なツールワークフロー（例：2つの場所のジオコーディングを行い、距離を計算し、結果をフィルタリングする）が、単一の実行可能なサブルーチンへと折り畳まれます。
• トレース管理： 最終的かつタスクに関連する結果のみが、メインの推論トレースに返されます。一時的な観測や状態転送は、ブロック内に隠蔽されたままとなります。

このアプローチにより、エージェントはコンパクトでハイレベルなトレースを維持しながら、孤立した原子的な呼び出しでは表現が困難な、複雑でタスク固有の「部分的なツール」を構築することが可能になります。

2.2 データ合成と学習

モデルにこのインターフェースを活用させるため、著者らは3段階のパイプラインを通じて教師ありファインチューニング（SFT）データセットを構築しました。

1. 構成的タスクの構築： 教師モデル（GLM-5.1）と実際のMCP環境を使用し、真のマルチツール構成（例：クロスソースの制約、ローカルフィルタリング、集計）を必要とするタスクを生成しました。
2. 修復を伴う軌跡のロールアウト： 教師モデルがHyperToolの軌跡を生成します。システムは、コンテキスト圧縮（ノイズを減らすために過去のツール応答を要約する）とローカル修復（失敗したコードブロックの構文やスキーマエラーを自動的に修正する）を採用し、高品質なデータ生成を保証します。
3. 検証： 軌跡は、実行正確性フィルタリング（実行時エラーの除去）および証拠一貫性検証（LLMジャッジを使用して、最終的な回答がツールの証拠によって支持されているか、および選択的な報告が行われていないかを確認する）を経て処理されます。

最終的なデータセットは、検証済みの10,422の軌跡で構成され、Qwen3モデル（8Bおよび32Bパラメータ）のファインチューニングに使用されました。

3. 主な貢献

1. 粒度の限界の特定： 本論文は、細かすぎるステップ単位のツール実行が、中間的な観測や依存関係をモデルに露出させ、コンテキストを膨張させ、推論を断片化させることを特定しました。
2. HyperToolインターフェース： 元のMCPツールスキーマを保持しつつ、単一のコードブロック形式内で原子的な呼び出しや、ローカルで決定論的なマルチツールワークフローを表現できる、統一された実行可能インターフェースを提供します。
3. 検証済みトレーニングパイプライン： 単に「どの」ツールを呼び出すかだけでなく、「どのように」それらを内部で構成し、「いつ」結果をメインのトレースに露出すべきかを教える、HyperTool形式の軌跡を合成・検証する方法を確立しました。

4. 実験結果

著者らは、金融分析、リポジトリ管理、位置ナビゲーション、ウェブ検索の4つのドメインにわたるMCP-UniverseベンチマークでHyperToolを評価しました。

• パフォーマンスの向上：
  • Qwen3-8Bにおいて、平均精度は9.93%（ベース）から33.33%（HyperTool SFT）へと向上しました。
  • Qwen3-32Bにおいて、平均精度は15.69%（ベース）から35.29%（HyperTool SFT）へと向上しました。
  • Qwen3-32B HyperToolモデルは、強力な既成の型エージェントであるGPT-OSS（32.13%）やKimi-k2.5（34.17%）を平均精度で上回りました。
• トークン効率： HyperToolは、精度を高めつつ、グローバルなトークン消費量を大幅に削減しました（例：平均816k vs 955k）。金融分析においては、精度をほぼ倍増させつつ（62.50% vs 32.50%）、トークン使用量を約78%削減しました。
• 実行ダイナミクス： HyperToolは、タスク容量とコンテキストオーバーヘッドをデカップリング（分離）しました。原始的なツールをほぼ2倍の数（47.55 vs 26.92）実行している一方で、モデルが可視化するインタラクションターン数は減少（21.76 vs 28.81）しており、コンテキストのボトルネックを効果的に回避しています。
• エラー分析： このアプローチは「誤ったツールの選択」エラーを排除し（8.3%から0.0%へ減少）、実行クラッシュを大幅に減少させました。失敗モードは主に「早すぎる最終回答（過信）」へとシフトしました。

5. 意義と主張

本論文は、ツール拡張型エージェントは、どのツールを呼び出すかだけでなく、ツール実行が公開されるべき適切な粒度も学習すべきであることを、HyperToolが示していると主張しています。局所的に決定論的なワークフローを実行可能なブロックに折り畳むことで、HyperToolは以下を実現します：

• メイントレースをコンテキスト膨張から保護することで、マルチステップのツール使用を大幅に改善します。
• 表現力を強化し、エージェントが一時的なヘルパー関数や複雑なデータ処理ロジックをローカルに定義することを可能にします。
• ハイレベルな計画のための透明性を維持しながら、手続き的な詳細を内部化し、高レベルの推論と決定論的な実行の間の溝を埋めます。

著者らは、この設計が局所的に決定論的なサブルーチン（検索、フィルタリング、計算）に最適であり、ベースモデルのコード生成能力に依存しているという限界を認め、今後の課題として、軌跡の多様性の拡大や未知のワークフローへの汎用性の向上が挙げられています。