再帰的自己改善型ディープリサーチエージェント AREX の提案──122B-MoE と 4B の 2 規模で公開
検証と探索の非対称性に着目した再帰的自己改善フレームワークにより、BrowseComp や Humanity's Last Exam などの困難なベンチマークで同規模のベースラインを大きく上回る性能を実証した。
リリース: 2026-07-23 · 読了 5 分論文概要
ディープリサーチにおいてエージェントは複数の制約を同時に満たす回答を見つける必要がある。しかし、正解の発見自体はコストが高い一方、候補の検証は制約ごとに分解して実行しやすいという「発見と検証の非対称性（Discovery-verification asymmetry）」が存在する。本論文ではこの特性に着目し、中間結果を検証しながら回答を再帰的に改善するディープリサーチエージェントファミリー「AREX（Recursively Self-Improving Agent for Deep Research）」を提案している。モデルサイズとして、高密度な 4B モデルと 122B-A10B の MoE（Mixture-of-Experts）モデルをインスタンス化しており、BrowseComp、WideSearch、DeepSearchQA、Humanity's Last Exam（HLE）などの複雑な推論・ツール使用ベンチマークにおいて、同規模のベースラインを大きく上回る性能を達成している。
関連研究
従来のリサーチエージェントは単に探索を長期化させるアプローチが主流であったが、長時間の探索において文脈の肥大化や途中の誤った方針の修正が困難になる課題があった。本研究は、検証ループを外部モデルに依存せず自律的な文脈更新ツールによって持続させる点で、従来の単一パス型のエージェント手法と一線を画している。
新規性と貢献
本研究の主要な貢献は、再帰的自己改善（RSI: Recursively Self-Improving）ループを導入した点にある。内側のリサーチループと外側の監査ループを交互に回すことで、未解決のクレームを特定してターゲットを絞った追加調査を自動起動する。また、外部モデルに依存しない自律的なコンテキスト更新ツールを学習させ、肥大化する履歴をコンパクトな改善状態に圧縮しつつ検証済みエビデンスを保持する仕組みを実現した点も大きな学術的・実用的貢献である。
提案手法の詳細
AREX は、証拠を集めて暫定回答を構築する「内側のリサーチループ」と、制約ごとに回答を監査し未解決のクレームを特定する「外側の自己改善ループ」を交互に実行する。長期的ホライズンでの RSI を持続させるため、エージェント自身がコンテキストを更新・圧縮するツールを学習している。さらに、エージェント型ミッドトレーニング（agentic mid-training）と、決定的な証拠の獲得や誤った研究方向の修正が行われる主要なステップを重視した長期的強化学習（long-horizon reinforcement learning）を組み合わせて訓練を行っている。
評価・考察
BrowseComp、WideSearch、DeepSearchQA、Humanity's Last Exam（HLE）などのベンチマーク評価において、AREX は同規模のベースラインに対して圧倒的な優位性を示した。さらに、より多くの有効パラメータを持つモデルに対しても匹敵する競争力を維持しており、外部モデルに頼らない自己改善機構の有効性が数値として裏付けられている。
応用例と今後の展望
実務インパクトとして、金融業界における複雑な法的規制文書の多角的な監査業務や、製薬企業における複数特許・論文を横断した高度な文献調査など、厳密な制約条件付きの長文脈リサーチタスクにおいて、数千〜数万トークン規模の自動エージェント運用の効率化が期待できる。今後の課題としては、さらに長大なホライズンにおける報酬スパース性の完全な克服や、実運用環境でのコスト対効果の最適化が挙げられる。
結論
AREX は、発見と検証の非対称性を活用した再帰的自己改善型エージェントであり、自己完結型のコンテキスト更新とエージェント型ミッドトレーニングを通じて、ディープリサーチの精度と自律性を大幅に引き上げることに成功した。
注釈
- MoE（Mixture-of-Experts）: 入力ごとに適切な専門家ニューラルネットワークを選択して処理を行うアーキテクチャ。
- BrowseComp / HLE: エージェントの高度な検索・推論能力を測定するための最先端ベンチマーク。