メタ、作業と制御を分けた推論。プログラムの作り直しでテスト通過率71.5%とする

メタ・スーパーインテリジェンス・ラボ（Meta Superintelligence Labs）は、長いエージェント実行で「次に何をするか」を決める制御を、作業そのものから分けた推論時の仕組みを示しました。論文名は「シンキング・ビフォア・シンキング（Thinking Before Thinking）」です。arXivへの投稿日は、2026年9月29日です。

比べるのは、同じ作業者（ワーカー）と、同じモデル呼び出しの予算です。一方は、制御だけを厚くした版です。もう一方は、制御を一括した直接制御です。主要予算では、対応する12通りすべてで点数が上がった、と論文は書いています。

プログラムを、説明と実行できる見本から作り直す課題が「プログラムベンチ（ProgramBench）」です。問題数は200題です。点数は、隠したテストとの一致率です。ジーピーティー5.5（GPT-5.5）のテスト通過率を71.5%とします。直接制御は63.7%です。外部のコーデックス（Codex）は58.0%です。予算が小さいと、制御のコストが勝って、直接制御に負ける場合もある、と論文は書いています。

何が起きたか

エージェントが長い課題に取り組むと、途中の成果のどれを伸ばすか、やり直すか、止めるか、という判断が積み重なります。判断を作業と同じ一回の応答に混ぜると、履歴が長くなり、次の一手も乱れやすくなります。

論文が提案するエージェント型メタ推論は、推論時の枠組み（ハーネス）です。ワーカーが課題側の計算をします。コントローラは、進捗の短い要約を更新し、候補を挙げ、残りの予算に見合うかを見積もります。選んだ作業へは、必要な過去の成果だけを渡します。コントローラの呼び出しも、ワーカーと同じ呼び出し回数の予算に入れます。制御を足した分は、その呼び出し回数を上回る成果が要ります。

成果物はアーティファクトとして保存します。どの成果を文脈に使ったかを矢印でつなぎ、あとから実行の形を見られるようにします。ワーカーは、コントローラの内部の独白は見ず、渡された指示と成果だけを使います。比べる直接制御エージェントは、同じワーカーと、同じ操作の窓口を使います。次の一手は、履歴全体に対する一回の呼び出しで決めます。

評価は4本です。数学オリンピック級の証明課題「アイエムオー・プルーフベンチ・アドバンスト（IMO ProofBench-Advanced）」は30題です。抽象的な視覚推理「アーク・エージーアイ2（ARC-AGI-2）」は120題です。長い多分野の推理「ロングシーオーティー・ミニ（LongCoT-mini）」は507題です。説明と実行できる見本から作り直すプログラムベンチは200題です。モデルはジェミニ3.1プロ（Gemini 3.1 Pro）、ジーピーティー5.5、オーパス4.8（Opus 4.8）です。推論系の主要予算は、モデル呼び出し100回です。プログラムベンチは1200回です。

何が変わったか

71.5%も、12通りで点数が上だったことも、著者チーム自身の評価環境での数字です。この記事を書く時点（2026年10月4日）では、独立した再測定は見つかっていません。論文は査読前のプレプリントです。

誰に関係するか

調査会社が長い報告書を書く仕事では、「本文を書く」ことと「次にどの表を直すか」を分けます。呼び出し回数の上限が小さい案件では、制御を厚くしません。

従業員100〜200人規模の部品メーカーでは、検査ログをまとめる作業と、次にどのログを取るかの判断を分けます。

まとめ

予算を増やすと、制御を分けた側は伸び、直接制御は頭打ちになりやすいです。呼び出しが少ないと、制御の分だけ負けることがあります。

参考文献

• Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning（Paras Dahalほか、Meta Superintelligence Labs、arXiv:2609.38147、投稿2026-09-29）、https://arxiv.org/abs/2609.38147、確認日 2026-10-04
• 同PDF、https://arxiv.org/pdf/2609.38147、確認日 2026-10-04
• 同HTML、https://arxiv.org/html/2609.38147v1、確認日 2026-10-04