Hugging Face、再帰的自己改善を目指す AI4AI モデル「Frontis-MA1」を発表
本文の状態
日本語全文を表示中
詳細モードで約2分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
Hugging Face Daily Papers
Hugging Face は機械学習エンジニアリングにおける再帰的自己改善（RSI）研究のため、35B パラメータのメタ進化モデル「Frontis-MA1」と検証可能な環境スタック「OpenMLE」を公開した。
AI深層分析を開く2026年8月4日 15:17
AI深層分析
キーポイント
OpenMLE スタックの公開
検証可能なタスク環境（OpenMLE-Gym）、演算子学習（OpenMLE-RL）、長期ホライズン検索（OpenMLE-Evo）からなる、RSI 研究用のフルスタックシステムをオープンソース化している。
メタ進化エージェント Frontis-MA1
35B パラメータの Frontis-MA1 が、Draft, Improve, Debug, Crossover の 4 つの原子プログラム進化演算子を用いて機械学習エンジニアリングを最適化するメタ進化エージェントとして機能する。
ベンチマークでの性能向上
MLE-Bench Lite で OpenMLE-Evo を使用した際、Medal Average が 39.39% から 60.61% に向上し、OpenMLE-Evo-Max では 71.21% に達して GPT-5.5 + Codex を上回る結果を記録している。
汎化能力の検証
NatureBench Lite において、モデルとフレームワーク双方を交換することで Match-SOTA がそれぞれ大幅に向上し、学習と進化のループが効果的に機能することを示した。
重要な引用
Recursive self-improvement (RSI) requires AI systems that improve the process of building AI (i.e., AI4AI)
Frontis-MA1 (35B) improves Medal Average from 39.39% to 60.61%
We release the model weights and the full OpenMLE stack to enable reproducible research on executable AI4AI toward RSI
編集コメントを表示
編集コメント
機械学習エンジニアリングの自動化と再帰的改善を目指す FrontisAI の試みは、AI が AI を設計する未来への重要な一歩である。OpenMLE のオープンソース化により、業界全体で RSI の検証と発展が加速することが期待される。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
再帰的自己改善（RSI）を実現するには、AI の構築プロセス自体を向上させる AI システム（AI4AI）が必要です。機械学習エンジニアリング（MLE）は、この能力を研究するための具体的で実行可能なテストベッドを提供します。
私たちは MLE における RSI 研究のためのオープンなフルスタックシステム「OpenMLE」を発表しました。これは、実行フィードバック付きの検証可能なタスク環境（OpenMLE-Gym）、オペレータ学習（OpenMLE-RL）、そして長期ホライズンの探索（OpenMLE-Evo）を網羅するものです。
このスタック上で、MLE 用のメタ進化エージェントとして Frontis-MA1 (35B) をポストトレーニングしました。ポストトレーニングと推論は、4 つの原子プログラム進化オペレータ（Draft, Improve, Debug, Crossover）を中心に調整されています。これらのオペレータは、すべての評価ベンチマークに対して重複データを除去したデータを用いて、実行に根ざした SFT と RL で訓練され、長期ホライズンの探索へと組み合わされます。これにより、学習と進化が単一のループ内で結合されました。
1 台の RTX 4090（VRAM 上限 12GB）でタスクあたり 12 時間の予算制限がある MLE-Bench Lite において、OpenMLE-Evo を用いることで、ベースモデルと比較して Medal Average が 39.39% から 60.61% に向上しました。さらに、ベンチマークに依存しない経験的事前知識と非同期探索を取り入れた OpenMLE-Evo-Max では 71.21% に達し、GPT-5.5 + Codex を上回り、GPT-5.6 Sol や 2.8T の Kimi K3 に迫る結果となりました。
保留中の NatureBench Lite でも両コンポーネントの転移が確認されました。フレームワークを固定した状態で訓練済みモデルに差し替えると Match-SOTA は 50% から 70% に向上し、モデルを固定して OpenMLE-Evo を差し替えると 20% から 50% に向上しました。
再現可能な実行型 AI4AI による自己再帰的改善（RSI）の研究を可能にするため、モデルの重みと OpenMLE スタック全体を公開します。コードは https://github.com/FrontisAI/OpenRSI で入手可能です。
原文を表示
Recursive self-improvement (RSI) requires AI systems that improve the process of building AI (i.e., AI4AI); machine learning engineering (MLE) offers a concrete, executable testbed for studying this capability. We introduce OpenMLE, an open full-stack system for RSI research in MLE, spanning verifiable task environments with execution feedback (OpenMLE-Gym), operator learning (OpenMLE-RL), and long-horizon search (OpenMLE-Evo). On this stack we post-train Frontis-MA1 (35B) as a meta-evolution agent for MLE, aligning post-training and inference around four atomic program-evolution operators (Draft, Improve, Debug, Crossover): the same operators are trained via execution-grounded SFT and RL on data deduplicated against all evaluation benchmarks, then composed into long-horizon search, coupling learning and evolution in a single loop. On MLE-Bench Lite under a 12-hour per-task budget on one RTX 4090 capped at 12 GB VRAM, Frontis-MA1 (35B) improves Medal Average from 39.39% to 60.61% over its base model with OpenMLE-Evo, and reaches 71.21% with OpenMLE-Evo-Max (benchmark-independent experience priors and asynchronous search), exceeding GPT-5.5 + Codex and approaching GPT-5.6 Sol and the 2.8T Kimi K3. On held-out NatureBench Lite, both components transfer: with the framework fixed, swapping in the trained model raises Match-SOTA from 50% to 70%; with the model fixed, swapping in OpenMLE-Evo raises it from 20% to 50%. We release the model weights and the full OpenMLE stack to enable reproducible research on executable AI4AI toward RSI. Code: https://github.com/FrontisAI/OpenRSI
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み