UCSBとマイクロソフト、自己進化型エージェント基盤「ScholarEvolve」を公開
ScholarEvolveは論文を読みコードを書き換える枠組みで、AppWorldのタスク完了率を69.0%から81.4%に向上させた。
カリフォルニア大学サンタバーバラ校（UCSB）とマイクロソフトの研究者らは、AIエージェントが学術論文を読み、自らのコードを書き換えて性能を高める枠組み「ScholarEvolve」をオンラインアーカイブを通じて公開した。aitimes.comが報じた。
ScholarEvolveはarXiv上の論文を検索し、リサーチエージェントが論文を読んで公式コードを確認したうえで、コーディングエージェントが変更を実装する。エージェントはツールインターフェース、コンテキスト管理、スキル、メモリ、ワークフローの5モジュールに分けて扱われる。候補の変更は検証データで評価され、システム全体で改善が確認された場合にのみ既存の設定を置き換える。
ベンチマークでの改善
AppWorldの通常テストでは、Qwen3.5-27Bのタスク完了率が69.0%から81.4%に上昇した。研究者らによると、GPT-5.4との性能差を約74%縮めたという。tau-Bench TelecomテストではGPT-5.4 miniが72.7%から81.9%に改善した。
未見のAmazonとGmailのAPIを使うAppWorld Challengeテストでは、Qwen3.5-27Bのエージェントが49.6%から63.6%に向上し、Meta-Harnessを9ポイント上回った。Python実行エラーが生じたケースでも、改善後のエージェントはタスクの59.9%を完了し、元の設定の44.9%を上回った。
Qwenモデルの重みと既存のタスクデータを変えずに3回の進化を実行したところ、AppWorldの性能は毎回向上した。
よくある質問
ScholarEvolveとは何ですか？
UCSBとマイクロソフトの研究者が公開した、AIエージェントが論文を読みコードを書き換えて自己改善する枠組みです。
AppWorldでの性能はどれくらい向上しましたか？
通常テストでQwen3.5-27Bのタスク完了率が69.0%から81.4%に上がり、Challengeテストでは49.6%から63.6%に向上しました。