NEWS & DOCUMENTARYAIと人間のこれから。
RAXUS AIAIのいまを確かめて届ける。
LATEST EDITION

Princeton大学とMetaのStrategist、推論戦略をコード資産として蓄積・再利用 30ベンチマークで精度同等・推論費用39%減を著者が報告

Princeton大学とMetaの研究者4名は2026年11月2日、AIエージェントの推論戦略をPythonコード「blueprint」としてライブラリに蓄積し、後続のタスクで検索・再利用するメタエージェント「Strategist」の論文をarXivで公開しました(NeurIPS 2026採録表記)。モデルの重みを凍結したまま30ベンチマークのうち24で最強ベースラインを上回り、平均精度74.0%から74.7%へ、重み付き推論費用は39%減――これはすべて著者報告の数値です。探索ループの実装もGitHubで公開されています。

論文「Strategist: Evolving Reasoning with Agents」の著者は、Princeton大学のTaiming Lu氏・Zhuang Liu氏と、MetaのQi Xu氏・Zhigang Hua氏です。arXivへの提出は2026年11月2日で、Comments欄にはNeurIPS 2026の表記があります。

出発点は、「モデルはシステムの半分で、もう半分の推論戦略は今も手書きであり、その経験が次のタスクに引き継がれない」という指摘です。Strategistは、戦略そのものを答えるのではなく、答える手順を設計するメタエージェントです。戦略の本体はblueprintというPythonファイルで、どのblueprintもexecute(llm, task) -> strという共通インターフェースを持ちます。会話型の「chat」と道具を使う「agent」という2つの基本要素の上に、ほかのblueprintを部品として呼び出す形で組み上がるのが特徴です。ライブラリには、共通インターフェース・前方呼び出しの禁止・循環の禁止・重複の禁止という4つの規律があり、各blueprintには測定カードと、いつ機能するかの経験ノートが添えられます。

動作は4段階の反復です。まず共有ライブラリからTF-IDFと埋め込みのハイブリッド検索で関連するblueprintと、着想のための隣接blueprintを取得します。提案では新規・構成・再利用の3種を混ぜ、各反復の候補は5つ(K=5)です。実サンプルで評価し、精度と費用の実測値をライブラリに書き戻します。この探索はモデルの学習を一切行わず、executorモデルは凍結したままです。

図解Strategistの1反復の流れ
  1. 01 検索

    Retrieve

    共有ライブラリから関連blueprintと多様な着想をTF-IDF+埋め込みで取得

  2. 02 提案

    Propose

    新規・構成・再利用の3種を混ぜて候補戦略をK=5作成

  3. 03 評価

    Evaluate

    実サンプルで実行し、精度と費用を実測。トレースを読んで改善

  4. 04 蓄積

    Accumulate

    測定カードと経験ノート付きでblueprintをライブラリに戻す

論文Figure 5の4段階パイプラインに基づく。ライブラリはblueprintを保存し、タスク固有のプロンプトは保持しない。

評価は7分野40ベンチマークから、ランダムに選んだ30件を主結果、10件をライブラリ検索のheld-outに使い、GSM8K、AIME 2024、HotpotQA、MBPP+などが含まれます。比較相手は18のベースライン戦略×6つのモデル構成(108セル)で、各タスクごとに訓練分割で最も精度の高いセルを基準(BL)に選び、テスト分割で比較しました。著者の報告では、Strategistは30件のうち24件でBLを上回り、2件は同等、2件は精度と費用のトレードオフ、HotpotQAとCOPAの2件は同精度ながら費用が9%と6%増でした。全体の平均精度はBLの74.0%に対して74.7%で、重み付き推論費用は39%減です。

図解30主ベンチマークでの対BLの結果内訳

30主ベンチマーク対BLの結果

  • BLを上回る

    24件

    精度または費用で有意に優位

  • 同等

    2件

    MBPP+とMinervaM

  • トレードオフ

    2件

    MedQAとAIME。費用を大きく減らす代わりに精度を落とす

  • BLに下回る

    2件

    HotpotQAとCOPA。同精度で費用が9%/6%増

論文§5の記述に基づく。勝敗の判定は精度2ポイント超または費用2%超で片方が劣らないこと。数値は著者報告。

ライブラリの資産価値を測る試験も行われています。held-outの10ベンチマークでは、探索を一切行わずライブラリ検索だけでも、全10件でBLに2ポイント以内で迫り、うち8件は上回りました(77.8%から81.4%へ)。さらに同じ戦略群を一行も変えずにGPT-5とGemini-2.5に移しても基準を上回ったと論文は報告しています。なお、これらの数値はすべて論文著者による報告で、第三者の再現はまだありません。

実装も公開されています。GitHubのzlab-princeton/Strategistには、探索ループ(search.py)、ライブラリ検索(TF-IDF+埋め込み)、採点、テスト一式があり、READMEは「このリポジトリは手法の出発点」と説明しています。executorはQwen3-0.6B/1.7B/4Bの3層をvLLMで運用する構成で、論文の本結果ではstrategist側にGPT-6(gpt-6-sol)をCodex CLI経由で使用しています(リポジトリのbackends.pyはcodex、claude-opus、claude-minimaxのバックエンド選択を持つ)。ただし初期ライブラリは空で、論文の探索で得られたblueprint群そのものは同梱されていません。リポジトリにはLICENSEファイルがなく、導入前に利用条件の確認が必要です。

39%の削減は論文条件下の重み付き推論費用であり、戦略の探索・初期開発に使うメタエージェント(GPT-6/Codex CLI級)の費用や開発工数を含む総費用ではありません。74.7%対74.0%は30ベンチマークの平均で、全タスクでの優越を示すものではなく、結果はすべて著者報告です。公開実装は探索の出発点であり、論文の成果ライブラリは含まれず、ライセンス条項もまだ確認できていません。実務データでの安定性、未知タスクや長期運用での転移性能は今後の検証課題です。

出典

  1. Strategist: Evolving Reasoning with Agents(arXiv:2611.03618v1、2026-11-02提出、NeurIPS 2026表記)提出日(2026年11月2日)、著者4名と所属(Taiming Lu・Zhuang Liu=Princeton、Qi Xu・Zhigang Hua=Meta)、要旨の30ベンチマーク24件勝利・74.0%→74.7%・費用39%減・held-out 10件(77.8%→81.4%、8件上回る)・GPT-5とGemini-2.5への転移
  2. Strategist: Evolving Reasoning with Agents(arXiv HTML全文、2026-11-10確認)blueprintの定義(execute(llm, task) -> str、chat/agentの土台、4つの規律)、4段階パイプラインとK=5、40ベンチマーク(30主結果+10 held-out、GSM8K・AIME 2024・HotpotQA・MBPP+等)、18×6=108セルとBLの選び方、勝敗内訳(24勝・2同等・2トレードオフ・2敗北の対象と費用増9%/6%)、TF-IDF+埋め込み検索、測定カードと経験ノート、executor3層(Qwen3-0.6B/1.7B/4B)×nothink/thinkingの6構成、strategistはGPT-6(gpt-6-sol)をCodex CLI経由で使用
  3. zlab-princeton/Strategist(GitHubリポジトリ、2026-11-10確認)公開実装の構成(search.py、retrieval.py、scoring.py、tests)、READMEの「手法の出発点」説明、workflows/が共通ヘルパー以外は空の状態、Qwen3-0.6B/1.7B/4BのvLLM実行(scripts/serve_executors.sh)、backends.pyのcodex/claude-opus/claude-minimax選択、LICENSEファイルなし、リポジトリ作成2026-10-27・最終push 2026-11-04

出典の確認日 2026.11.10

KEEP EXPLORING

あわせて読みたい記事と映像

プロダクトの記事一覧
  1. GitHub、エージェントセッションを端末間で継続させる「Agent Host Protocol」の実装を解説──VS CodeとGitHubで2つのホスト実装、6言語のSDK

    GitHubは2026年11月17日、公式Engineeringブログで、AIエージェントのセッションをエディタ、スマートフォン、クラウドの間で引き継ぐオープンなプロトコル「Agent Host Protocol(AHP)」の実装構造を解説した。執筆したのは同社のプリンシパルソフトウェアエンジニア、Connor Peet氏とRob Lourens氏だ。AHPの開発は2026年前半にVS Codeで始まり、仕様は10月2日にv1.0.0、11月13日にv1.1.0として公開済みである。今回の記事は新規プロトコルの発表ではなく、VS CodeとGitHubという異なる2実装に共通で使われている構造と設計判断の開示が中心だ。

    記事を読む
  2. Appleの研究チーム、対話操作に足る速さの動画生成「FastFrames」を公開──1.3B構成で1フレーム36ms、VAE復号とKVキャッシュ更新の置換が鍵

    Appleの研究チームは2026年11月17日、入力に応じた対話操作が可能な速さで480p動画を生成する自己回帰型動画拡散モデル「FastFrames」の論文をarXivに公開した(arXiv:2611.23226)。1.3Bの構成では単一のNVIDIA B200で1フレーム36ミリ秒(毎秒27.8回の応答)、14Bの構成では8基のB200で45ミリ秒を著者らは報告している。論文はまず既存モデルの推論を計測し、VAE復号とKVキャッシュ更新という「固定の実装詳細」とされてきた処理がエンドツーエンド遅延の半分以上を占めることを示したうえで、この2つを軽量な代替に置き換えた。論文、コード、重みが公開されている。

    記事を読む
  3. Google、GeminiのエージェントをTasksへ刷新──日本を含む6カ国で無料提供を順次開始、Gemini 4 Hydrogenとアカウント専用VMで実行

    グーグルは2026年11月17日、Geminiアプリの常時稼働型エージェントを「Tasks」として刷新し、米国・日本・韓国・カナダ・オーストラリア・インドの6カ国で無料提供を順次開始すると発表した。Gemini 4 Hydrogenを使い、ホーム画面のトグルをChatからTaskへ切り替えると、Google CloudのAgent Compute Engineが提供するアカウント専用のハードウェア隔離VMでタスクを実行する。電話発信やgemini@google.comへのメール転送、SMSによる指示は米国から順次の提供で、日本で同等の機能が使えるとは発表されていない。重要な操作の前に確認や事前承認を求める設計も明らかにした。

    記事を読む