Metalカーネルを生成するコーディングエージェントは、モデルの応答待ち、ソース編集、コンパイル、GPUでの候補実行を繰り返す。セッションがGPUを専有すると、GPUはモデル待ちや編集の間ずっと遊んでいる。論文の実測では、単一セッションの31.6分のうちGPU活動は44.0秒(2.32%)にとどまる。Metal Sandboxはこの空き時間を、セッションではなくコマンド単位のスケジューリングで埋める提案だ。
仕組み: コマンド単位の分類とノード間移動
実行環境はmacOSのApp Sandboxで、同じUIDのままエージェントごとのインスタンスを複数管理する。候補ビルドやGPU実行は物理Apple GPUを直接使うネイティブ実行で、VMを介さない。既定の許可リスト(ファイル検査、make、ninja、cmake --buildなど)に一致するコマンドは並列に実行され、一致しないコマンドはノードごとの直列FIFO枠(1枠)に並ぶ。複合シェルタスクは、すべてのコマンドが許可リストに一致するときだけ並列になる。GPUを使うコマンドやGPUタイミング計測は直列側を通る。待ちコマンドは、対象ノードに空き直列枠とローカル待ちがないことなどの条件を満たすと、予約・請求・コミットの3段階で別のMacに移り、結果だけが元のエージェントに返る。移動するのは待ちコマンドで、実行中のプロセスやGPU状態は移さない。共有ワークスペースはSMBマウント、ノード制御はSSH経由のCLIだ。
- 01 投入
ツール呼び出し
エージェントがスクリプト、作業ディレクトリ、環境、タイムアウト、出力上限を添えて管理サービスへ送る。
- 02 分類
許可リスト判定
既定の許可リストに一致するコマンドは並列実行の対象になる。
- 03 直列
ノードのFIFO枠
一致しないコマンドはノードごとの直列FIFO枠に並ぶ。GPU実行やタイミング計測は直列側を通る。
- 04 移動
予約・請求・コミット
待ちコマンドが条件を満たせば別ノードで実行され、結果だけが元のエージェントに返る。
- 05 記録
Harbor連携
検証と実行履歴(ATIF記録)を収集し、モデル待ち・実行・待ち時間を分けて計測する。
経路の構成は論文2章・3章とREADMEの記述。移動は待ちコマンドのみで、実行中プロセス・Metalバッファ・GPU状態は移らない。
対象エージェントのコマンド
- 許可リストに一致
並列実行
ファイル検査、make、ninja、cmake --buildなど。複合シェルタスクは全コマンドが一致するときだけ並列。
- 一致しない
直列FIFO枠
ノードの1つの直列実行枠に並ぶ。GPUを使うコマンドやGPUタイミング計測はこちら。
- 直列枠がふさがり・移動条件を満たす
別ノードで実行
対象ノードに空き枠とローカル待ちがなく、熱状態が臨界未満などの条件で待ちコマンドが移動する。
- 移動条件を満たさない
元ノードで待機
ファイルや環境の検査を通らないコマンド、GUIやソケットなど局所状態を要するコマンドは元ノードに残る。
判定と移動条件は論文2.3・3.4節とREADMEの記述。並列・直列の分類は既定の許可リストで、拒否リスト方式の設定もある。
計測は4台のMac mini M4(メモリ32GiB、macOS 27.0.1、ギガビットEthernet接続)で、6種の手書きMetalカーネルを2回ずつ実行する12コマンド/バッチで行った。集中負荷では、2秒コマンドのバッチ時間が25.3秒から15.1秒(40.4%減、1.68倍)、6秒コマンドでは36.8秒から18.0秒(51.1%減、2.05倍、588対1,200コマンド/時)になった。バッチごとのP95待ち時間の中央値は21.9秒から11.9秒(45.5%減)。一方でコマンド移動の経路は、探索と予約の中央値0.818秒、ペイロードと最小実行時間によって全体で1.86〜4.20秒かかり、短いコマンドの移動は見合わないと論文は述べている。
バッチ時間(2秒コマンド)
- 静的実行
- 25.3秒
- 動的実行
- 15.1秒(1.68倍)
バッチ時間(6秒コマンド)
- 静的実行
- 36.8秒
- 動的実行
- 18.0秒(2.05倍)
P95待ち時間のバッチ中央値
- 静的実行
- 21.9秒
- 動的実行
- 11.9秒(45.5%減)
数値は著者らの実験(4台のMac mini M4、6種のMetalカーネル、12コマンド/バッチ、集中負荷)。「動的実行」は待ちコマンドのノード間移動を有効にした場合。別々の条件での数値であり、同時達成ではない。実エージェントトレース16本の再生では、平均ツール待ち18.8%減・バッチ経過時間22.3%減(フェーズ長不変の仮定)、4セッション/ノード対1セッションの持続処理能力は2.14倍と推計(条件付き推計・トレース再生で、実稼働の直接比較ではない)。
実エージェントでの計測も行っている。mini-SWE-agent 2.4.6(モデルはStep 5 Preview)の16セッションをHarbor経由で収集し、1ノード4セッション配置の持続処理能力は1セッション対比2.14倍と推計された。これはセッションが絶えず補充され、平均所要時間が変わらないという仮定に基づく推計だ。さらにこの16本のトレースを動的スケジューリングで再生すると、平均ツール待ち時間18.8%減、バッチ経過時間22.3%減と報告されている(フェーズの所要時間が変わらないという仮定)。いずれも実稼働の直接比較ではなく、条件付き推計とトレース再生の値だ。
公開物はSwiftパッケージで、CLI、デスクトップフロントエンド、テスト、文書を含み、常駐サービスはmetal-sandboxd。arXivのコメント欄はmetal-sandboxとHarbor側の2リポジトリを案内している。READMEは公開範囲を「信頼できるローカル開発限定」と明記し、LaunchServices経由の脱出リスクが未解決であること、包括的な資源制限(CPU・メモリ・プロセス・ディスク)がないこと、GPUの分割・排他・GPU呼び出し検出がないこと、ネットワークはインスタンス単位の外向き許可でドメイン制限がないことを列挙する。対応ハーネスはClaude Bash、Codex exec_command、mini-swe-agent shellで、配布はad-hoc署名でnotarizationされていない。ライセンス条項はリポジトリに見当たらない(GitHub APIではlicense: null、ルートにLICENSEファイルがない。2026-11-15確認)。本稿は未査読プレプリントで、数値は著者らの実験、第三者による再現は未実施だ。
出典
- arXiv: Metal Sandbox: Isolated Execution and Command Scheduling for GPU Coding Agents on Apple Silicon投稿日(2026-11-12)、著者8名(上海交通大学・北京中関村学院・StepFun)、要約(インスタンス分離、ネイティブ実行、コマンド単位スケジューリング、1.68〜2.05倍・2.14倍推計・18.8%/22.3%減)、コメント欄の2リポジトリ案内。
- 同論文のHTML本文(arXiv)単一セッションのGPU活動44.0秒/31.6分(2.32%)、4台Mac mini M4(32GiB、macOS 27.0.1)の実験設定、2秒コマンド25.3→15.1秒(1.68倍)、6秒コマンド36.8→18.0秒(2.05倍、588対1,200コマンド/時)、P95待ち21.9→11.9秒、移動経路0.818秒〜4.20秒、16トレースの2.14倍推計と再生(18.8%減・22.3%減)、予約・請求・コミットの移動手順。
- GitHub: WangHaoZhe/metal-sandbox(README)Swift実装の公開物(CLI、フロントエンド、テスト、文書)、metal-sandboxd、許可リスト・拒否リストの分類、リリース範囲の制限(ローカル開発限定、LaunchServices脱出リスク未解決、資源制限なし、GPU分割なし、ドメイン制限なし、ad-hoc署名)、対応ハーネス3種。
- GitHub: WangHaoZhe/harbor(論文コメント欄の案内)arXivコメント欄が案内するもう1つのリポジトリ(Harbor連携側)。
- casrai.orgの解説(二次報道)公開の伝達(2026-11-14付)。数値の独立検証ではない。
出典の確認日 2026.11.15