Prime Intellect、AI 自律研究モデル Fable 5 を公開──人間研究者の記録とのギャップを 82% 短縮
nanoGPT 最適化の自動実行テストにおいて 18 のフロンティアモデルを検証し、Fable 5 が人間記録の 81.7% に到達した。
リリース: 2026-08-15 · 読了 3 分記事の要約
1. 核心（What）
- Prime Intellect は 18 のフロンティアモデルを使用し、nanoGPT 最適化スピードランで 153 回の自律研究実行を実施した。
- 最高成績を収めた Fable 5 は、人間の研究チームが数か月かけて構築した記録の 81.7%（2,726 ステップ）のギャップを短縮した。
- 検証ではインターネットアクセスを禁止し、124M パラメータの GPT モデルを 8xH200 で最大 8 日間サンドボックス環境でトレーニングした。
- 全実行のトレース、スクラッチパッド、ツール呼び出しとサブエージェントの挙動を含む 41 の完全なエージェント軌跡が一般公開された。
2. 影響（Why）
- 自律研究エージェントの限界と実用性の見極め: ハイパーパラメータ探索やベンチマークのノイズ回避に強い一方、上流の人間による記録なしではゼロから新規のアイデアを生成できない特性が定量化されたため、エージェント導入の設計範囲を見直す必要がある。
- 国内 AI 研究チームへの影響: 国内の LLM 開発や大規模学習の最適化を手掛ける研究機関やスタートアップは、自律エージェントをハイパーパラメータ探索の補助として組み込むことで、チューニングコストを抑制するワークフロー設計が現実解になる。
3. 根拠・詳細（How）
- Prime Agent ハネスの永続的 IPython 環境: フラットなツールメニューではなく、永続的な IPython カーネルと変数共有を備えた Prime Agent ハネスを採用し、エージェント間通信やサブエージェントによる自己改善を実現した。
- 制約された検証環境と評価指標: アーキテクチャの変更を禁止し、オプティマイザ、スケジュール、初期化、ハイパーパラメータのみの調整に限定することで、検証ロス目標達成までのステップ数を厳密に測定した。
4. 展望・課題（Next）
- トレーニングスタックの拡張計画: 今後はスピードランの対象をトレーニングスタックのさらに広い範囲へ拡張し、小規模なオープンモデル向けのマルチエージェントハーネスを利用して計算コストを削減する予定である。