【ITニュース解説】The Model That Trained Itself: 56% of Real GitHub Issues at 1/50th the Price

ITの世界では、人工知能（AI）の進化が目覚ましく、その中でも特に注目されているのが、AIがまるで人間のようにツールを使いこなし、複雑な問題を解決する能力、いわゆる「エージェント」としての働きだ。今回、MiniMaxという企業が発表した「M2.7」というモデルは、このエージェントとしての能力を、従来の常識を覆す方法で学習させたことで大きな話題となっている。

従来のAIモデルの訓練方法は、新人のシステムエンジニアを育てるプロセスに似ている。まず、膨大な量の教科書や資料を読ませて基本的な知識を詰め込む（これを「事前学習」と呼ぶ）。次に、特定の専門分野の参考書やベストプラクティス集を与えて、知識をより実践的に使えるようにする（「ファインチューニング」）。そして最後に、先輩エンジニアが新人の作ったコードをいくつか見て、改善点をアドバイスする（「強化学習」の一種で、人間からのフィードバックを用いる「RLHF」と呼ばれる）。こうして訓練されたAIは、質問に答えたり、コードを書いたりすることは得意になるが、実際の開発現場で起こる予期せぬトラブル、例えば真夜中にシステムが停止した際に、ログを読み解き、原因を特定し、修正を試み、テストして、うまくいかなければまた別の方法を試す、といった一連の「試行錯誤」は苦手な場合が多かった。これは、AIが「質問に答える能力」と「ツールを使いこなして問題を解決する能力」を別々に学習していたため、道具は与えられても、それを使ってどのように問題を解決すべきか、本当の意味で訓練されていなかったからだ。

M2.7は、この訓練のアプローチを根本から変えた。MiniMaxは、モデル自身が自分の「先生」となり、「批評家」となるような訓練方法を採用したのだ。これを「自己進化型訓練」と呼ぶ。具体的には、新人のシステムエンジニアが、自分の書いたコードを自分でテストし、どこが間違っていたのかを徹底的に分析し、その失敗から学んで、次に同じような問題に直面したときに、より良い解決策を見つけ出す能力を身につけるような訓練方法である。しかも、このプロセスを100回以上も自律的に繰り返す。

具体的には、M2.7の訓練では、まずモデルに実際のソフトウェア開発のタスク、例えば「GitHubというサービスで報告されたバグを修正する」といった課題を与える（生成）。モデルは、与えられた情報と利用可能な開発ツールを使って、修正案を生成する。次に、モデル自身がその修正案が本当に問題を解決したのかどうかを検証する（評価）。これは、修正したコードを実行したり、テストを行ったり、システムのログを読んだりすることで、結果が正しいかを判断する。もし修正がうまくいかなかった場合、モデルはなぜ失敗したのか、どこに問題があったのかを深く分析する（批評）。このステップが特に重要で、単に「正解か不正解か」を判断するだけでなく、「なぜうまくいかなかったのか」という本質的な原因を突き止める。そして、その失敗の原因に基づいて、モデル自身の内部的な構造（「重み」と呼ばれる、学習によって得られた知識の蓄積のようなもの）や、良い・悪いの判断基準（「報酬シグナル」）を更新し、改善する（修正）。この改善されたモデルで、再び新しいタスクに挑戦する。この「生成→評価→批評→修正」という一連のループを何度も繰り返すことで、M2.7はまるで生き物のように自ら学習し、成長していく。この仕組みにより、AIが試行錯誤しながら問題を解決する、強化学習という種類の学習の大部分を、モデル自身が自動的に処理できるようになったのだ。

この自己進化型訓練には特徴的な学習曲線がある。訓練開始の早い段階で急速に能力が向上し、多くの問題を解決できるようになるが、ある程度のレベルに達すると、改善のペースは緩やかになり、最終的にはほとんど進歩が見られなくなる。これは、モデル自身が自分の間違いを批評する能力が、これ以上新しい改善点を見つけられなくなる時点である。人間が介入して新しい目標設定が必要になるまでは、この自律的な学習でかなりの部分をカバーできることをMiniMaxは示している。

M2.7のもう一つの注目すべき設計は、そのシンプルさだ。このモデルは、画像や音声のようなマルチモーダルな入力には対応せず、テキストデータのみを扱うことに特化している。これは一見すると制限のように思えるかもしれないが、テキストに特化することで、より効率的に大量の情報を処理できるようになった。さらに、AIがテキストを処理する際の最小単位である「トークン」（文字や単語の一部のようなもの）の利用を最適化する仕組みも導入されている。特に、繰り返し使われる指示や文脈の一部を自動的に記憶し、次からはその部分を再計算せずに利用する「自動プロンプトキャッシュ」という機能が搭載された。これにより、複雑な問題解決のプロセスで何度も同じような情報を参照する必要がある場合でも、AIの処理コストを大幅に削減できるようになったのだ。

この新しい訓練方法と効率的な設計がもたらした成果は驚くべきものだった。実際のGitHubの課題をAIが自律的に解決できるかどうかを測る「SWE-Pro」というベンチマークテストで、M2.7は56.22%という数値を叩き出した。これは、競合する最先端のモデルであるClaude Opus 4.6の約50%や、GPT-5の約54%を上回るもので、同じ1000件の課題があった場合、M2.7は他のモデルよりも60件以上も多くの問題を解決できることを意味する。さらに驚くべきは、その利用コストだ。M2.7の入力トークン100万個あたりの価格はわずか0.30ドルであり、Claude Opus 4.6の15ドルと比較すると、約50分の1という破格の安さである。GitHubの課題1つを解決するためにかかる費用を計算すると、M2.7では0.009ドルであるのに対し、Opus 4.6では0.54ドルとなり、約60倍もの差がある。これにより、これまで最先端のAIモデルを開発業務に活用するには高価すぎると感じていた企業でも、M2.7であれば大幅なコスト削減を実現しながら、開発効率を向上させることが可能になる。

もちろん、M2.7にも弱点はある。一つは、ベンチマークテストの数値の信頼性についてだ。異なる時期や測定条件で発表される数値が食い違うことがあり、常に最新のバージョンと測定条件を確認する必要がある。また、M2.7はMiniMax社独自の技術であり、モデルの内部構造や学習データは公開されていない（プロプライエタリ）。さらに、テキスト入力に特化しているため、画像や動画を使ったタスクには単独では対応できない。創造的な長文作成や、複雑な状況判断を必要とするタスクにおいては、まだ他の最先端モデルの方が得意な場合もある。ツールを使う能力は非常に高いものの、どのような場合に人間の助けを求めるべきか、という判断力はまだ発展途上であるという報告もある。これは、道具を使う能力は高いが、いつ、どのような状況で人間の助けを求めるべきか、という判断力はまだ発展途上であることを意味している。

しかし、これらの弱点があったとしても、M2.7が示した「自己進化型訓練」の可能性と、その圧倒的なコストパフォーマンスは、AI開発の未来に大きな影響を与えるだろう。重要なのは、単に「高い能力を持つAI」を開発するだけでなく、「いかに効率的に、そして安価に、実用的なAIを開発するか」という点にシフトしつつあることだ。AIが自ら学び、成長するこの新しい訓練方法は、ソフトウェア開発の現場を大きく変え、より多くの企業や開発者がAIの恩恵を受けられる時代が来ることを示唆している。そして、ベンチマークの数値を見る際には、その背後にある測定条件やモデルのバージョンをしっかり確認する、という情報リテラシーの重要性も、今回のニュースが私たちに教えてくれる教訓である。