LLM の継続学習を自律化──パラメータ空間を強化学習で探索し、未知ドメインに適応する SOLAR
重み自体を探索環境とするメタ学習で適応戦略を自律発見。数学や医療等で既存手法を凌駕。（原題: SOLAR: A Self-Optimizing Open-Ended Autonomous Agent for Lifelong Learning and Continual Adaptation）
リリース: 2026-03-23 · 読了 3 分記事の要約
1. 核心（What）
- モデルの重み自体を探索対象の「環境」と見なし、パラメータレベルのメタ学習を通じて自律的に自己改善を行うフレームワークを提案。
- 多階層強化学習（multi-level RL）により適応戦略を自律発見し、テスト時に未知ドメインへ効率的に適応する能力を実現。
- 有効な修正戦略をエピソード記憶バッファとして保持することで、新タスクへの適応（可塑性）と知識の保持（安定性）のトレードオフを解消。
- 数学、医療、コーディング、論理的推論などの広範なタスクにおいて、既存の強力なベースラインを上回る性能を実証（具体的な向上数値は未確認）。
2. 影響（Why）
- 動的な環境下での LLM 運用において、従来のファインチューニングが抱える「破滅的忘却」と「高コストなデータ整備」という 2 大ボトルネックを、自律的な適応戦略の発見によって打破しているため。
- 開発者への影響: ストリーミングデータや変化の激しいドメインでエージェントを運用する開発者は、勾配ベースの再学習に依存しない SOLAR のテスト時適応（Test-time Adaptation）アプローチを実装の参考にすべき。
- 日本への影響: 国内固有の追加文脈は限定的（汎用的に有用）。
3. 根拠・詳細（How）
- arXiv (2026-03-23 公開)