🤖 AI

Argus: A General-Purpose Agentic Runtime for Long-Horizon Reasoning

Argusは、専門化されたロールによって管理される持続的かつ自己進化的な状態を活用し、ミッションの軌道を自律的に検証、回復、および洗練させることで、多様なベンチマークにおいて優れた長期推論性能を実現する、汎用的な固定ウェイトのエージェンティック・ランタイムである。

原著者： Boxiu Li, Zimo Wen, Yijia Fan, Junxiang Lei, Sufeng Guo, Jiaao Wu, Ruize Tang, Mukai Li, Yifei Shen, Xiaoyu Chen, Wanbo Zhang, Runjing Gu, Yifei Gao, Yuheng Wu, Xuyao Huang, Zelong Zhao, Jiachen Zhang

公開日 2026-08-06

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Boxiu Li, Zimo Wen, Yijia Fan, Junxiang Lei, Sufeng Guo, Jiaao Wu, Ruize Tang, Mukai Li, Yifei Shen, Xiaoyu Chen, Wanbo Zhang, Runjing Gu, Yifei Gao, Yuheng Wu, Xuyao Huang, Zelong Zhao, Jiachen Zhang, Shibo Hu, Hangxi Guo, Yilin Chen, Yuzhe Zhang, Fan Yang, Chuan Wen, Xian Zhang, Xuanhe Zhou, Zhijie Deng

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

長期的な探偵：なぜAIには「記憶」と「コーチ」が必要なのか

想像してみてください。あなたは、ゼロから動くロボットを作る方法を解明したり、筋の通った小説を書いたりといった、数日間にわたる大規模で複雑な謎解きに挑んでいるとします。もしあなたが数年前のコンピュータプログラムだったなら、指示を読み、推測を行い、そして次に挑戦する前に、今やったことを即座にすべて忘れてしまうという動きをしていたかもしれません。これは、初期の多くのAI「エージェント」がどのように機能していたかを表しています。彼らは、一つの手がかりを解いた直後に完全な記憶喪失に陥り、行き詰まるたびに調査を最初からやり直さなければならない探偵のようなものでした。彼らは読むスピードは速かったのですが、長期的な視点で自分の間違いから学ぶことは非常に苦手でした。

「ロングホライゾン（長期的）推論」という分野は、この問題を解決することに焦点を当てています。それは次のように問いかけます。「どうすればAIが数日間、あるいは数週間にわたって計画を維持し、昨日何を試したかを覚え、進むべき方向が間違っていると気づいた時に戦略を変更できるのか？」ここでの鍵となる考え方は、賢さとは単に「大きな脳（強力なモデル）」を持つことではなく、「優れたノート（永続的な記憶）」と、「行き詰まった時に自分自身に嘘をつくのを防ぐ厳格なコーチ（検証）」を持つことである、という点です。この論文は、単に同じ場所をぐるぐる回るのではなく、時間をかけて自らの手法を進化させ、再学習を必要とせずに困難な問題を解決する方法を構築するための課題に取り組んでいます。

Argusとの出会い：軌道修正を学ぶAI

Argusをご紹介しましょう。これは新しい種類のAI「ランタイム」（AIの脳を動かすオペレーティングシステムやエンジンのようなものと考えてください）です。Microsoftおよび複数のトップ大学のチームによるArgusの開発者たちは、AIが真に困難で長期的なプロジェクトに取り組むためには、ただ盲目的に突き進むだけでは不十分であることに気づきました。もしAIが巨大なソフトウェアのコードベースのバグを修正しようとしたり、複雑な数学の定理を証明しようとしたりしている場合、何時間も無駄な道を進み続けてしまう可能性があります。通常のAIは、ただ突き進み続け、時間とエネルギーを浪費してしまうかもしれません。しかし、Argusは違います。Argusは**「ピボット（軌道修正）」**するように設計されているのです。

Argusを、一人の人間が孤独に作業しているのではなく、共有オフィスで働く高度に組織化されたリサーチチームだと考えてみてください。このチームには4つの明確な役割があり、彼らは決して仕事を混同しません。

マネージャー（管理者）： 全体像を把握しているボスです。日々の計画が変わったとしても、チームが本来の目標（例：「ロボットを作る」）に集中し続けるように管理します。
プランナー（計画者）： 戦略家であり、大きな目標をその日の実行可能な小さなタスクへと分解します。
エンジニア（技術者）： 実際にコードを書いたり、実験を行ったり、計算を行ったりする実務担当者です。
レビュアー（査読者）： 厳格な品質管理検査官です。エンジニアが構築したものを見て、「これは良い」「これは修正が必要だ」、あるいは「止まれ、この道は行き止まりだ」と判断するのが仕事です。

Argusの魔法は、**「失敗をデータとして扱う」ことにあります。エンジニアが試した手法が失敗に終わったとき、レビュアーは単に「おっと」と言うだけではありません。彼らは「なぜ」失敗したのかを正確に記録します。この記録は、永続的な「プロジェクト・ステート（プロジェクトの状態）」、つまりチームの共有ノートに保存されます。後にチームが同じ行き止まりの道に進もうとしたとき、システムは「おい、昨日これを試したがうまくいかなかった」と記憶し、新しいアイデアへと軌道修正（ピボット）します。これは「検証ガイド付きの持続性（verification-guided persistence）」**と呼ばれます。システムは、新しい情報が実際に真実であり、有用であるとレビュアーが検証した場合にのみ、「学習（メモリの更新）」を行います。

彼らが発見したこと：コード修正と論文執筆における向上

チームは、この「記憶を持つチーム」というアプローチが実際に機能するかどうかを確認するため、極めて困難な課題を用いてArgusをテストしました。

1. コード修正テスト（SWE-Bench Pro）
彼らはArgusに対し、731個の実世界のソフトウェアバグの修正を与えました。これは、プログラマーに整理されていない壊れたコードベースを渡し、人間の助けなしに修正を求めるようなものです。

結果： Argusは約**78%**のバグを正常に修正しました。
比較： 標準的なAIツール（Direct Copilot）は、そのうちの**59%**しか修正できませんでした。
コスト： Argusは標準的なツールよりも約1.41倍多くのコンピュータ「トークン」（思考の基本単位）を使用しました。
教訓： Argusは、思考量は少し多かったものの、大幅に精度が高まりました。これは、作業をチェックし、過去のミスを記憶するために時間をかけることが報われることを証明しています。

2. 「賢くなる」テスト（自己進化）
ここが最も興味深い部分です。研究者たちは、Argusが時間の経過とともにどのように変化するかを観察しました。彼らはAIの脳（モデルの重み）を変更していません。代わりに、システムがスキルと記憶の「ノート」を構築していく過程を見守りました。

結果： システムがより多くのタスクを実行し、検証済みのスキルでノートを埋めていくにつれ、システムはより速く、より安価になりました。テストの後半段階では、Argusは開始時と比較して、タスクあたりのトークン使用量が21%減少し、実行時間が15%短縮されました。
意味： AIは賢くなるために再学習する必要はなく、単に学んだことを記憶する必要があったのです。AIは根本的な脳を変えることなく、自身の「ランタイム・ステート」を進化させ、より効率的なワーカーへと進化しました。

3. 「自分に嘘をつかない」テスト（レビュアーの介入）
チームは、レビュアーがどの程度の頻度で介入したかを追跡しました。731のタスクのうち、466回、レビュアーが呼び出されました。

救済： 43件のケースで、レビュアーは「これはまだ完了していない、やり直し」と指示しました。その後、エンジニアが再試行した結果、34件のタスクが修正され、さらに22件は、より厳格な二次レビューにも合格するほど完璧に修正されました。
阻止： レビュアーはまた、実際には不可能であったり壊れていたりするタスクに対して、システムが勝利を宣言することを防ぎました。これは35件のケースにおいて、システムが「できない」と言うことを学習したことを意味します。これは、ハルシネーション（もっともらしい嘘）を生み出すのではなく、正しく「できない」と言えるようになったことを示しており、非常に重要な成果です。

コードを超えて：数学、チップ、そして論文

Argusの能力はコード修正にとどまりませんでした。チームは、これが他の「ロングホライゾン（長期的）」なタスクも扱えることを示しました。

数学研究： 複雑な数学の定理を証明するキャンペーンにおいて、Argusは「誤りと証明された経路（falsified route）」の記録を保持しました。それを単に削除するのではなく、「進入禁止」の標識として保持したのです。これにより、システムは後でその行き止まりを回避し、定理の境界を強化することに成功しました。
論文執筆： 彼らは科学論文を執筆するために、6つの異なる研究プロジェクトを実行しました。システムは254回のミッションをこなし、16回の大きなロールバック（計画全体を書き直さなければならなかった場面）を乗り越え、最終的に6つの論文すべてを完成させました。あるプロジェクトでは、失敗したアイデアを成功した「負の結果（negative results）」の研究へと転換させており、時には「何がうまくいかないか」を知ることも有効な科学的発見であることを証明しました。
チップ設計： 恐ろしいテストとして、Argusはコンピュータチップ（ACE-2）を設計しました。システムはコードを書き、タイミングをチェックし、最終的な設計はすべての厳格なハードウェアチェックをパスしました。システムは、自分が何をチェックしなかったのか（例：チップが実生活で動作するかどうか）を正確に把握しており、その限界についても明確にリストアップしていました。

まとめ

Argusは、AIが真に長期的な仕事を行うためには、単に大きな脳を持っているだけでは不十分であることを示しています。AIには、「ボス」と「ワーカー」を分離し、何がうまくいき、何がうまくいかなかったかの永続的な記録を保持し、そして作り話をしないための厳格な「レビュアー」を備えた**「システム」**が必要です。

この論文は、このような「検証ゲート（verification-gated）」のアプローチを用いることで、AIはより困難な問題を解決でき、再学習なしに効率を高めることができ、さらには行き詰まったときにそれを認めることもできると示唆しています。これは、すべてを即座に解決する魔法の杖ではありませんが、私たちと共に、長く複雑なプロジェクトに取り組み、迷うことなく、進捗について嘘をつくこともなく、粘り強く、軌道修正しながら、自らの手法を進化させていくAIへと向かうための、大きな一歩なのです。著者たちが述べているように、これは単にテストのスコアを上げることではなく、現実世界の混沌とした長期的な課題に取り組むために、持続し、ピボットし、自らの手法を進化させることができるシステムを構築することなのです。

技術要約: Argus – 長期的な推論のための汎用エージェンティック・ランタイム

1. 問題提起

長期的な推論タスク（ソフトウェアの修正、数学的証明、科学的発見など）は、単に固定された計画をより多くのステップで実行するだけのレースではありません。実際には、ユーザーの意図（standing user intent）は安定している一方で、運用の目的、制約、および検証基準は、証拠が蓄積されるにつれて洗練される必要があります。既存のエージェント・システムは、ある決定的な曖昧さに直面しています。すなわち、「システムが提示された目標を放棄したとき、それが目標の設定ミスによるものなのか、それとも失敗を正当化した（rationalized）ものなのか」を区別するメカニズムが欠けているという点です。これらを区別できない場合、システムは「目標ドリフト（goal drift）」に陥り、実行可能なものへと目的が劣化してしまいます。

既存のアプローチは通常、目的を固定して実行を最適化することでこの選択肢を排除するか、コンテキストが圧縮される際に連続性を失うセッション限定のトランスクリプトに依存しています。これは、長時間稼働するエージェントにおいて以下の3つの失敗を引き起こします。

連続性の失敗（Continuity Failure）: 修正の動機となった証拠が、トランスクリプトの破棄によって失われる。
受容の失敗（Acceptance Failure）: 作業を行うコンポーネント自体が完了を宣言するため、利益相反が生じる。
経験の失敗（Experience Failure）: 最終的な成果物のみが生存し、却下されたルートが将来のピボット（方向転換）のための証拠として機能できなくなる。

2. メソドロジー: Argus ランタイム

Argusは、検証されたピボット（verified pivoting）を許容し、かつ安全に管理するために設計された、持続的で自己進化型のエージェンティック・ランタイムです。これは、モデルの固定パラメータと、可変で耐久性のあるランタイム状態を分離します。

2.1 コアアーキテクチャ

システムは、境界付けられたミッション（bounded missions）に分割された持続的なプロジェクト状態に基づいて動作します。また、明確な権限を持つ4つのモデル駆動型ロールを採用しています。

マネージャー (Manager): ユーザーの恒久的な意図 ( $\iota$ )、キャンペーンの状態、およびステージ遷移を固定します。運用の契約に対する実質的な洗練を承認します。
プランナー (Planner): 現在の状態を、境界付けられたタスクと依存関係に分解します。
エンジニア (Engineer): タスクを実行し、ツールを呼び出し、実験を行います。低リスクかつ境界付けられた作業に対しては、自己レビューを行うことができます。
レビュアー (Reviewer): 成果物と実行記録を独立して検査します。ポリシーまたは要求に応じて、完了の判定（完了、継続、ブロック）を下します。

これらのロールは、制御（Control）（スケジューリング）、実行（Execution）（作業）、および記録（Records）（不変の履歴）の3つのプレーンにわたって動作します。

2.2 検証ゲート付きの永続性と自己進化

Argusは、**検証ゲート付きの受理（verification-gated admission）**メカニズムを導入しています。ランタイム状態 ( $H_t$ ) には、メモリ、スキル、ツール、検証器、およびルーティング・ポリシーが含まれます。

固定モデルの進化 (Fixed-Model Evolution): 基盤となるモデルの重み ( $\theta$ ) は固定されたままです。進化は、持続的な状態と制御ポリシーにおいてのみ発生します。
受理プロトコル (Admission Protocol): 候補となる更新（メモリ、スキル、拒絶されたルート）は、以下のプロセスを経て初めて再利用可能になります：
1. ロール（例：エンジニア）による生成。
2. タスク固有の証拠および成果物に対するレビュー。
3. 権限を持つ所有者（例：レビュアーまたはマネージャー）によるコミットメント。
契約の洗練 (Contract Refinement): ワーキング・コントラクトは $K_t = (\iota, o_t, c_t, v_t)$ としてモデル化されます。これは、恒久的な意図、運用の目的、制約、および検証基準を表します。洗練は、証拠 ( $e_t$ ) と権限 ( $u_t$ ) を必要とする ManagerAdmit オペレーターを介して受理され、これにより、ピボットがドリフト（劣化）と区別されることを保証します。

2.3 プロセス・トゥ・ケイパビリティ理論

本システムは、プロセス・トラジェクトリ（軌跡）を、最終的な成果物の超集合として扱います。また、**情報密度（Dense-Intelligence Density, $\rho_I$ ）**を、単位時間あたりの関連する推論、効果的な行動、および有効な検証の割合として定義します。これは、完全なプロセス記録（失敗した分岐を含む）を保持することが、最終的な成果物のみを保持することよりも、意思決定論的な優位性（ブラックウェル情報の順序付け）を提供し、将来のミッションがデッドエンドを回避し、検証済みの除外事項を活用することを可能にすると仮定しています。

3. 主な貢献

本論文では、以下の7つの具体的な貢献を概説しています。

定式化: 長期的なホライゾンにおける検証されたピボットのための、契約モデル ( $K_t$ ) と ManagerAdmit オペレーター。
ランタイム設計: 契約の洗練がロールによって所有され、ログに記録される、安定した意図と運用の変化を分離したシステム。
レビュアー・ルーティング指標: 独立したレビュアーが SWE-Bench Pro タスクの 63.7% で呼び出されているという実証データ、および修正要求に対する特定の回復率。
論文作成ケーススタディ: 640時間、254ミッションに及ぶ6つのプロジェクト・キャンペーン。これには、エンドツーエンドの研究ライフサイクル管理（ロールバックや負の結果へのピボットを含む）が含まれます。
数学的トレース: 1つの偽造されたルートと、6つの証明に基づいた更新を保持した、ロール解決済みの数学的キャンペーンの再構成。
ベンチマーク性能: 最終タスクの性能を損なうことなく、7つのアリーナにおける統一的な評価を実施し、能力の底上げを確立。
アップストリームへの採用: Argus に最適化された RWKV6 カーネルが、アップストリームの Flash Linear Attention リポジトリにマージされました。

4. 結果

4.1 ベンチマーク性能

Argus は、以下の7つの異種混合アリーナで評価されました：

SWE-Bench Pro: Direct Copilot の 59% に対し、約 78% の精度を達成（集計トークン数は 1.41倍）。
AARRI-Bench: 研究インターン・タスクにおいて 76.8% に到達（参照値 68.3%）。
数学的推論データ合成: 28.0 の差（pass@4 - pass@1）を達成し、参照モデル（Arbor: 20.83, Claude: 8.33）を上回りました。
GPU & トレーニング: B200/H100 nanochat トレーニング（0.9636 BPB vs 人間のベスト 0.9646）および nanoGPT スピードラン（79.77s vs 人間 80.18s）において競争力のある結果を達成。
MLE-Bench Lite: 外部検証を伴うコンペティションにおいて、9個のメダル（金 3、銀 3、銅 3）を獲得。

4.2 長期的効率性（自己進化）

SWE-Bench Pro の実行（731タスク）において、システムは検証ゲート付きのランタイム自己進化を示しました：

成熟期 vs スタートアップ期: 成熟したウェーブ（W19–22）は、スタートアップ期のウェーブ（W1–6）と比較して、タスクあたりの solve 入力トークンが 21% 少なく、アクティブなワークフロー時間が 15% 短縮されました。
レビュアーによる回復: レビュアーが修正を要求した 43 タスクのうち、**34 タック（79.1%）**が後に公式の検証器を通過し、**22 タスク（51.2%）**が厳格なレビュー・ループによる救済を完了しました。
非単調性: 軌跡は単調ではありませんでした。困難なタスクのウェーブ（W23–24）ではリソースの再上昇が見られ、システムは 34 件の検証器による回復と 22 件の厳格な救済を記録しており、初期の失敗から回復する能力を証明しました。

4.3 垂直ケーススタディ

数学的キャンペーン: 偽造されたルートと、6つの定理の最前線への更新を保持。システムは、失敗した簡約（reduction）から、証明に基づいた境界強化へのピボットに成功しました。
論文制作: 6つのプロジェクトが投稿完了に達しました。あるキャンペーンでは、ポジティブな手法の主張から、7回の「ノーゴー（no-go）」ロールバックを経て、4,500行に及ぶネガティブ結果の診断研究へとピボットしました。
ハードウェア (ACE-2): ランタイムは、特定のスコープ（マップ合成、静的タイミング）に対して認証された推論アクセラレータ（Qwen2.5-0.5B W4A8）を設計しました（電力サインオフやシリコン検証は明示的に除外）。
材料科学: ランタイムは、元の比較における混乱要因を特定・除去することで、出版された MOF 生成手法を簡素化し、より単純で効果的な手法を導き出しました。

5. 意義と主張

本論文は、Argus が、すべての長期的な軌跡を成功の主張に強制することなく、修正、回復、および検証されたアプローチを蓄積できる、汎用的で自己進化型のハーネスであることを示していると主張しています。

ドリフトとの区別: 状態変化に対して、証拠に基づいたロール所有の受理を要求することにより、システムは合理的なピボットと、失敗の正当化を区別します。
データとしてのプロセス: 保持された軌程は、将来の教師あり学習および強化学習のための構造化されたデータとなり、モデルの出力と、具体的な状態、ツール、およびレビューの決定を結びつけます。
限定的な範囲: 著者らは、「自己進化」は固定モデル（重みベースではなく状態ベース）であり、結果は観測的なものであることを明示しています。彼らは、システムが汎用人工知能を達成した、あるいは人間の研究者を完全に代替できると主張しているわけではありません。システムは、ユーザーが逃した可能性のある制約を浮き彫りにしながら、目的が未指定である場合には「停止」するツールとして提示されています。

結論として、本ランタイムは、広範なタスク能力、ミッションを越えた検証済みの蓄積、および持続的な研究デリバリーを組み合わせることに成功しており、固定された計画ではなく検証を通じて、永続性とピボットが管理される、長期的なエージェント・システムの新しいパラダイムを提供しています。