Interaction Scaling: Grounding the Third Axis of Test-Time Compute
本論文は、フィードバックと評価の両方を現実世界の観察に根ざさせることで、推論やサンプリングの限界を超え、従来のメソッドが停滞する困難なタスクにおいて継続的な改善を可能にする、テスト時計算量の明確な第3の軸として「インタラクション・スケーリング」を導入するものである。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
想像してみてください。あなたには、絵を描いたり、コードを書いたり、スライドをデザインしたりできる、ものすごく賢いロボット芸術家がいます。あなたは、そのプロジェクトの「完璧な」バージョンを作らせたいと考えています。通常、ロボットが失敗したとき、私たちは2つの方法で修正を試みます。
- もっと深く考える： ロボットに対して、「深呼吸して、描く前にもう少し長くこれについて考えて」と伝えます。
- もっと多く試す： ロボットに「100通りの異なるバージョンを描いて。その中から一番良いものを選ぶから」と伝えます。
しかし、この論文は、どちらの方法もガラスの天井に突き当たると主張しています。なぜなら、ロボットは自分自身の脳（「凍結された重み」）と、元の指示のみを使用しているからです。これは、自分の描いた絵をただじっと見つめるだけで、間違いを見つけようとする人に似ています。同じ紙の上に100回描き直したとしても、彼らは自分自身がまだ知らないことを知ることはできません。彼らは閉じたループの中に閉じ込められているのです。
第三の道：「現実世界」のテスト
この論文は、**インタラクション・スケーリング（相互作用のスケーリング）**と呼ばれる第三の道を導入しています。単に考えたり、何度も試したりするのではなく、ロボットは実際にその作業を「実行」し、その後、実在する計測器からレポートを受け取ります。
次のように考えてみてください：
- 従来の方法： ロボットがスライドを描き、それを見て、「うーん、テキストが大きすぎるかな？」と言う。これは、自分の意見に基づいた推測に過ぎません。
- 新しい方法（グラウンデッドな相互作用）： ロボットがスライドを描き、それを**メジャーを持つロボット（計測器）**に渡します。メジャーを持つロボットは意見を持ちません。ただ測定するだけです。「おい、テキストが5ピクセル大きすぎて、紙の端からはみ出しているぞ」と伝えます。描画ロボットはこの「現実の事実」を聞き取り、特定の誤りを修正して、再び挑戦します。
ここに魔法があります。メジャーは、描画ロボットが以前は持っていなかった新しい情報をもたらします。これがガラスの天井を打ち破るのです。
大きな罠：「盲目の審判」
ここが最も重要な部分であり、少し展開が変わる場面です。この論文は、フィードバックとスコアの両方が「グラウンデッド（根拠に基づいている）」、つまり実際の測定に基づいている場合にのみ、この新しい方法が機能すると述べています。
スライドデッキを修正しようとしている場面を想像してください。
- グラウンデッドな計測器： コンピュータ画面上の実際のレイアウトを測定するツール。テキストが重なっていることを見つけます。
- 「盲目」な審判： スライドのスクリーンショットを見ている別のAI。
論文は、非常に滑稽かつ深刻な問題を指摘しました。スクリーンショットは嘘をつくのです。
スライドのテキストが端からはみ出しているスクリーンショットを撮ると、カメラ（スクリーンショット）によって端の部分が切り取られてしまいます。壊れているテキストは、文字通り写真から切り落とされてしまうのです！
- メジャーは、その混乱を見て「直せ！」と言います。
- スクリーンショット審判は、切り取られた画像を見て、何も問題がないと判断し、「完璧！10/10点！」と言います。
スクリーンショット審判を使ってロボットに何を修正すべきか教えると、ロボットはスライドをより悪化させてしまいます。写真は壊れていない部分を直そうとし、一方で、本当の壊れた部分は放置してしまうのです。論文によれば、15個の難しい学術図表を用いた実験において、スクリーンショット審判は15個中14個の壊れた画像を「完璧」と判定した一方で、計測ツールは実際には3個しかクリーンではないことを発見しました。
結果：実際に何が起きたのか？
研究者たちは、コード、スライド、ウェブページなど、7つの異なる種類のタスクに対して、「プロポーザー（提案者）ー レビュアー（評価者）」のループを用いてテストを行いました。結果は以下の通りです。
- コードの場合： ロボットにコードを実行させ、実際のエラーメッセージを読ませた（「グラウンデッドな」フィードバックを与えた）ところ、難易度の高いタスクで100%の合格率に達しました。従来の方法（長く考える、あるいは100回の中からベストを選ぶ）は、たとえベストなものを選ぶための完璧な「オラクル（神託）」があったとしても、約66%から86%で停滞しました。インタラクション・ループは上昇し続けましたが、他の方法は壁に突き当たりました。
- 視覚的要素（スライドと図表）の場合： 計測ツールを使用して欠陥を見つけたところ、レイアウトエラーが**40%から74%**減少しました。
- スライドでは、計測ツールが欠陥の**73%**を修正しました。
- 学術図表では、**74%**を修正しました。
- ウェブページでは、**47%**を修正しました。
- アニメーションでは、**40%**を修正しました。
- 「盲目」な審判の失敗： スクリーンショット審判を使ってスライドをレビューさせたところ、欠陥の数は逆に増加しました（スライド1枚あたり平均で約2.44個の欠陥が増加）。ロボットは盲目の審判に混乱させられ、問題のない部分を壊してしまったのです。
他のモデルについては？
これは特定のロボットだけの話ではありません。彼らは3つの異なるAIモデルのファミリー（Sonnet 4、Qwen3-235B、GPT-5）でテストを行いました。どのケースにおいても、「インタラクション・ループ」と実際の測定を用いることでエラーが修正されましたが、「もっと深く考える」方法では限界に達しました。ループは変動なしの100%の合格率に到達しました。これは、スタート地点がどうであれ、完璧に機能したことを意味します。
「生徒」からの教訓
論文では、より小さく安価なロボット（80億パラメータのモデル）に対し、教師となるロボットの成功した修正例を見せることで、学習させる試みも行われました。
- 小さな生徒は、1回の試行で教師の仕事の約**51%**をこなすことができました。
- もし小さな生徒に2回試行させた場合、教師の仕事の**70%**をこなすことができました。
- これは、「ループの魔法」は学習可能であることを示唆していますが、最高の成果を得るためには、依然としてループ自体（現実世界の測定）が必要であることを示しています。
結論
論文は、単に「長く考える」ことや「何度も試す」ことは、ロボットが自分の頭の中に閉じ込められているため、十分ではないと結論付けています。より優れたものになるためには、ロボットは外の世界へ踏み出し、何かを構築し、そして実際の計測器に何が間違っているかを正確に教えてもらう必要があります。
しかし、一つ注意点があります。もし審判が「盲目」（スクリーンショットの読み手）である場合（つまり、ミスが切り取られていたり、小さすぎたりして見えない場合）、その審判を使って成功を測定することはできません。論文は、グラウンディング（フィードバックとスコアリングの両方に実際の測定を用いること）こそが、システム全体を機能させる秘訣であることを証明しています。それがない限り、ロボットはただ空回りしているだけなのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。