「35Bで1T級に並ぶ」と53人が主張——だが比較相手の点数は1つもない:Agents-A1が賭けた45Kトークンの長い仕事

モデルを「縦」に大きくせず、仕事を「横」に伸ばす

この論文の面白さは、スケーリング(規模拡大)の軸をずらしたと主張する点にあります。モデルのパラメータを縦に積み上げるのではなく、エージェントの「地平線(horizon)」——検索し、ツールを呼び、結果を観察し、また次の手を打つ、という手数の長さ——を横に伸ばす、という発想です。

著者らは「知識と行動のインフラ」と呼ぶ仕組みで、平均45Kトークンに及ぶ訓練用の軌跡(トラジェクトリ。エージェントの行動・観察・結果を1つのタスクについて丸ごと記録したもの)を大量に生成し、これを学習させたと述べています。45Kトークンといえば、1回のタスク記録としてはかなりの長丁場です。ただし、この数字もアブストラクトに書かれた自己申告値です。

ではこの「横に伸ばす」発想は、本当に1T級との差を埋めたのでしょうか。次は成績表です——ただし読み進める前に、知っておくべき大きな欠落があります。見るべきはスコアそのものより、「比較相手の点数」がどこまで示されているかです。

6人の教師を、1人の学生に流し込む3段階

訓練レシピが3段階であることは、アブストラクトに明記されており確認できます。中身の説明はこうです。

狙いは明快です。分野ごとの専門家を6体並べて運用するのは高くつく。だから専門性を1体に集約し、配備するモデルは1つで済ませる。「salient vocabulary alignment(重要語彙の整列)」という手法名も添えられていますが、その中身はアブストラクトからは分かりません。専門家チームを1人にまとめて配備コストを下げるこのパターン自体は、主張どおりに動くなら実務的に魅力のある型です。

スコアはある。なのに、比較相手の点数がない

では肝心の成績です。著者らは8つのベンチマーク(標準化されたテスト集)のスコアを挙げ、5つで「首位(leading)」、3つで「十分競争的(highly competitive)」だと述べています。繰り返しますが、以下の数字はすべて自己申告で、比較したはずのKimi-K2.6やDeepSeek-V4-proが同じテストで何点だったのかは、本ソースには1つも書かれていません。

この表から気づくべきことが2つあります。第一に、「1T級の性能」という見出しの根拠は、選ばれたこの8種目に限られ、汎用能力の話ではありません。しかも8つのうち3つでは、著者自身が「首位」とは言っていません。第二に、SEAL-0、HiPhO、FrontierScience-Olympiad、MolBench-Bindは比較的マイナーな評測で、よく知られたベンチマークに比べて第三者が独立に点数を突き合わせるのが難しい、という事情があります。

評価が変わるのは、第三者が8つのスコアを再現できたとき

最後に時間軸と、残る留保、そしてこの論文が本物だった場合の意味を整理します。

留保は少なくありません。著者の所属が表示されていないため、たとえば「あるラボが競合他社のモデルを相手にベンチマークを組んでいないか」といった利益相反を評価できません。論文のコメント欄には「チェックポイントと評価コードを公開済み」とありますが、リンクはこのソースではプレースホルダの向こうにあり、リポジトリに中身が入っているのか、重みが実際にダウンロードできるのかは確認できません。「公開している」も、確かめられるまでは主張です。

それでも、この論文が注目に値する理由ははっきりしています。もし主張どおりなら、最前線級のエージェント性能に約30分の1のパラメータで届くことになり、AIエージェントの配備コストは劇的に下がります。「モデルを大きくする」以外に「訓練の軌跡を長く豊かにする」というスケーリングの軸が立つなら、それは巨大な計算資源を持たない研究室にも手が届く道です。そして何より、公開チェックポイントの主張が本当なら、コミュニティが見出しの主張を直接テストできます。額面どおり受け取る前に起きるべきことは、まさにそれです。