Sakana AI が企業向けエージェント「Sakana Marlin」を商用化、最大100ページの調査報告書とスライドを生成

東京を拠点とするSakana AIは、今週初の商用製品「Sakana Marlin」を発売しました。同社はこれを「バーチャルCSO（最高戦略責任者）」と位置付けています。これは企業向けに設計されたB2Bの自律型リサーチエージェントです。

Marlinはチャットボットのように数秒で回答するものではありません。ユーザーが1つの研究トピックを指定すると、最大約8時間にわたって自律的に実行を開始します。各セッションでは、長文レポートとプレゼンテーション用スライドデッキが生成されます。Sakanaによると、単一のセッションで数百から数千回のLLMクエリが発行されるそうです。

Sakana Marlinとは何か

Marlinはチャットアシスタントではなく、企業向けのリサーチエージェントです。ユーザーが1つのトピックや質問を渡すだけで、自ら仮説を立て、ソースを検索し、発見された事実を検証します。数週間にわたる戦略策定作業を数時間で圧縮してしまいます。

納品物は意思決定者向けに構造化されています。日本語の発表では数十ページのレポートが紹介されましたが、英語版発表では最大約100ページに及ぶと明記されています。記者向けの体験会では、60〜100ページのレポートが作成され、60〜80件のソースが引用されていました。各レポートには本文、参考文献、付録が含まれており、プレゼンテーションスライドは画像生成AIを使用して作られています。

Sakanaチームは2026年4月にクローズドベータを通じてMarlinを改良しました。その間、約300人の専門家が戦略策定、市場調査、リスク分析、競合分析といった実際のタスクでこのツールを試しました。また、MUFGとのパートナーシップを締結し、シチズンバンクから戦略的投資も受けています。

AB-MCTSの内部：広さか深さか

Marlin の中核を担うのは、適応的分岐モンテカルロ木探索（AB-MCTS）です。この手法は、Sakana AI が過去に発表した「Wider or Deeper? Scaling LLM Inference-Time Compute with Adaptive Branching Tree Search」という研究から派生しています。

AB-MCTS は推論を木構造の探索問題として捉えます。アルゴリズムは各ステップで一度だけ意思決定を行い、その結果として「より広く」新しい候補解答を生成するか、「より深く」有望な既存の解答を洗練させるかのどちらかを選択します。従来の単純な反復サンプリングでは並列に幅を広げるだけで、たまたま正解が選ばれるのを待つしかありません。

さらに、マルチ LLM 版では第二の選択肢が追加されます。これは特定のステップを別のモデルへルーティングできる機能です。Sakana が報告した ARC-AGI-2 の実験では、この連携が成果に貢献しました。o4-mini、Gemini 2.5 Pro、DeepSeek-R1 を組み合わせて使用することで、タスクの約 27.5% を解決できました。一方、o4-mini モデル単体では約 23% の解決率でした。Marlin はこの適応的探索を、長期にわたるリサーチ作業にも適用しています。

Marlin のもう一つの重要な要素は、Sakana の「AI Scientist」プロジェクトから生まれたワークフロー自動化技術です。同プロジェクトは自律的な科学発見を実現し、『Nature』誌に掲載されました。

インタラクティブなデモ：埋め込みウィジェット（marlin-abmcts-demo.html）では、「より広くか深くか」という意思決定をリアルタイムで確認できます。「Run」ボタンを押すと、木構造が成長する様子が見られます。色付きのノードはスコアの高さを示し、最も優れたパスが強調表示されます。「Multi-LLM」を切り替えると、異なるモデル間でステップがルーティングされる様子も観察可能です。

Sakana AI は、最大 100 ページに及ぶ研究レポートとスライドを生成するエンタープライズエージェント「Sakana Marlin」において、AB-MCTS を商用化しました。

#mtp-abmcts-demo{

background:#111!important;color:#e8e8e8!important;border:1px solid #2a2a2a!important;

border-radius:14px!important;max-width:880px;margin:24px auto;padding:20px 20px 14px;

font-family:-apple-system,BlinkMacSystemFont,"Segoe UI",Roboto,Helvetica,Arial,sans-serif;

line-height:1.5;overflow:hidden

}

#mtp-abmcts-demo button{

background:#76B900!important;color:#0a0a0a!important;border:0!important;border-radius:8px!important;

font-weight:700;font-size:13px;padding:9px 14px;cursor:pointer;transition:filter .15s

}

#mtp-abmcts-demo .mtp-stage{

背景色を黒、枠線を濃いグレーに設定し、角丸と最小高さを確保したコンテナ内にデモが配置されています。SVG はレスポンシブ表示され、エッジは標準でグレー、最適解の経路は緑色で強調表示されます。

下部にはグリッドレイアウトでパネルが並べられ、各パネルの見出しは緑色の大文字で統一されています。統計情報は左右対称に配置され、重要な数値は白抜きで強調。ログエリアはスクロール可能で、単語（青）と決定（緑）を色分けして表示。凡例は下部に配置され、各要素の意味を簡潔に説明しています。

AB-MCTS：「幅を広げるか、深掘りするか？」— インタラクティブな検索

Sakana AI が開発した適応的分岐モンテカルロ木探索（Adaptive Branching Monte Carlo Tree Search）の簡易的な視覚化です。各ステップでポリシーは、「幅を広げて」新たな候補を追加するか、「深掘りして」有望な経路を洗練させるかを選択します。

► 実行

ステップ

リセット

マルチ LLM

深掘り / 幅広

検索状態

使用済み予算 0 / 24

ノード（候補）1

最高スコア 0.00

幅広 / 深掘り 0 / 0

意思決定ログ

低スコア

高スコア

最良の経路

Gemini 2.5 Pro

o4-mini

DeepSeek-R1

© Marktechpost · AB-MCTS の模式的モデル（TreeQuest、Apache 2.0）

検索ツリーを初期化し、実行ボタンを押すとタイマーが停止され、ログ領域がクリアされます。ノードはルートから始まり、ID、親ノード、深さ、スコア、モデル、子ノードのリストを含むオブジェクトとして管理されます。

モデル選択はランダムに行われます。AB-MCTS の各ステップでは、ルートから下りながら、現在のノードで「幅を広げる（widen）」か「さらに深く進む（deeper）」かを判断します。この判断にはバイアス値と子ノードの数が影響し、バイアスが大きいほど、また子ノードが少ないほど幅を広げる確率が高まります。

検索予算に達した場合はステップを終了します。レイアウト機能では、葉ノードに連続的な X 座標を割り当て、親ノードは子ノードの中央に配置する「整列ツリー」方式を採用しています。これにより、視覚的に階層構造が明確になります。

最後に、ボックス内の古い要素を整理し、新しい結果を表示します。

function bestPath(){

var best=nodes[0];

nodes.forEach(function(n){ if(n.score>best.score) best=n; });

var set={}, cur=best;

while(cur){ set[cur.id]=true; cur = cur.parent===null?null:nodes.find(function(x){return x.id===cur.parent;}); }

return set;

}

function render(){

var pos=layout();

var maxX=0,maxY=0;

for(var k in pos){ if(pos[k].x>maxX)maxX=pos[k].x; if(pos[k].y>maxY)maxY=pos[k].y; }

var padX=40, padY=34, gapX=Math.max(54, 520/(maxX+1)), gapY=64;

var W=padX*2 + maxX*gapX, H=padY*2 + maxY*gapY;

W=Math.max(W,560); H=Math.max(H,240);

svg.setAttribute("viewBox","0 0 "+W+" "+H);

while(svg.firstChild) svg.removeChild(svg.firstChild);

var best=bestPath();

var XY=function(id){return {x:padX+pos[id].x*gapX, y:padY+pos[id].y*gapY};};

// エッジの描画

nodes.forEach(function(n){

if(n.parent===null) return;

var a=XY(n.parent), b=XY(n.id);

var e=document.createElementNS(SVGNS,"path");

e.setAttribute("d","M"+a.x+","+a.y+" C"+a.x+","+(a.y+gapY/2)+" " +b.x+","+(b.y-gapY/2)+" " +b.x+","+b.y);

e.setAttribute("class","mtp-edge"+((best[n.id]&&best[n.parent])?" best":""));

svg.appendChild(e);

});

// ノードの描画

nodes.forEach(function(n){

var p=XY(n.id);

var g=document.createElementNS(SVGNS,"circle");

g.setAttribute("cx",p.x); g.setAttribute("cy",p.y); g.setAttribute("r",n.id===0?13:11);

// 塗りつぶし色はスコアに応じて NVIDIA グリーンへグラデーション

var t=n.score; var r=Math.round(42+(118-42)*t), gg=Math.round(42+(185-42)*t), bb=Math.round(42+(0-42)*t);

g.setAttribute("fill","rgb("+r+","+gg+","+bb+")");

var stroke = $("mtp-multi").checked ? MODELS[n.model].c : (best[n.id]?"#76B900":"#555");

g.setAttribute("stroke", best[n.id]?"#76B900":stroke);

g.setAttribute("stroke-width", best[n.id]?3:1.5);

svg.appendChild(g);

var tx=document.createElementNS(SVGNS,"text");

tx.setAttribute("x",p.x); tx.setAttribute("y",p.y+3.5); tx.setAttribute("text-anchor","middle");

tx.setAttribute("font-size","9"); tx.setAttribute("fill", t>0.55?"#0a0a0a":"#e8e8e8");

tx.textContent = n.id===0?"root":n.score.toFixed(2);

svg.appendChild(tx);

});

統計情報の取得と表示

ベストスコアを計算し、使用したリソース数やノード数、最良のスコア、探索の深さと幅の比率などを画面に反映させます。予算（BUDGET）を超えた場合は実行ボタンを無効化し、タイマーを停止して完了ステータスを表示します。

実行ボタンのクリックイベントでは、予算超過の場合はリセット処理を行い、既に実行中の場合は一時停止モードへ切り替えます。実行中は一定間隔でステップ処理を実行し、完了したら自動的に停止します。

ステップボタンは、予算が許す場合のみ動作可能です。

Marlin の比較

Marlin は速度ではなく「深さ」で勝負しています。従来の深層調査ツールは数分から数十分で回答を返しますが、Marlin はあえて数時間を費やして出力の質を高めています。以下の競合ツールの実行時間は概算値であり、公式発表の数値ではありません。

このサービスのトレードオフは明確です。実行には時間がかかり、1 回ごとに課金されますが、その分、仮説検証を深め、完成度の高い成果物を手に入れることができます。実行中はいつでもキャンセルできますが、クレジットは消費されたままになります。

料金プラン

Sakana では従量課金に加え、Pro、Team、Enterprise の各プランを提供しています。従量課金は 1 回あたり最低 100 クレジットからで、1 クレジットあたり 98 円です。Pro プランは月額 15 万円で、2,000 クレジットが含まれます。Team プランは月額 40 万円で、6,000 クレジットが利用可能です。Enterprise プランはカスタム価格で、専任のサポートが付きます。

ユースケースと具体例

Marlin は、調査プロセス自体がボトルネックとなる重要な質問に対して最適です。以下に、ターゲットとするタスクから得た具体的な事例を挙げます。

市場参入：「規制変更後の日本のステーブルコインおよびトークナイズド・ペイメント市場を評価せよ」。Marlin は市場の原動力、リスク、構造化された選択肢を整理し、レポートとして出力します。

リスク分析：「ホルムズ海峡封鎖時の解決シナリオをモデル化せよ」。単なる要約ではなく、仮説同士を比較検討した上で結論を導き出します。

競合分析：「3 つの競合他社をプロファイルし、自社のポジショニングにおけるギャップをランク付けせよ」。戦略レビューにそのまま使えるスライド形式で結果を返却します。

これらすべての事例は、1 つのプロンプトと 1 回の無人実行で完結します。ただし、いかなる意思決定を行う前にも、人間が引用された出力を確認する必要があります。

エンジンを実際に試す：TreeQuest

Marlin のセルフホストはできませんが、その中核アルゴリズムを今日から利用可能です。Sakana は AB-MCTS を Apache 2.0 ライセンスの下で「TreeQuest」としてオープンソース化しました。インストール後、生成関数を定義し、固定された検索予算で実行するだけです。

Copy CodeCopiedUse a different Browser

import random

import treequest as tq

Each node holds a user-defined state; score must be normalized to [0, 1].

def generate(parent_state):

if parent_state is None: # None means expand from the root

new_state = "Initial draft"

else:

new_state = f"Refined: {parent_state}"

score = random.random() # swap this for an LLM-based score

return new_state, score

algo = tq.ABMCTSA() # Adaptive Branching MCTS (variant A)

search_tree = algo.init_tree()

for _ in range(10): # generation budget of 10

search_tree = algo.step(search_tree, {"generate": generate})

best_state, best_score = tq.top_k(search_tree, algo, k=1)[0]

print("BEST:", best_state, round(best_score, 3))

Swap the random score for an LLM judge to reproduce the real pattern. TreeQuest also ships multi-LLM search and checkpointing for long runs. Checkpointing matters because long sessions can hit API errors midway.

Strengths and Weaknesses

Strengths

Peer-reviewed foundations: AB-MCTS at NeurIPS and AI Scientist in Nature.

Finished deliverables, including references, appendices, and slides.

Adaptive compute spends effort on the most promising branches.

The open-source core (TreeQuest) lets AI researchers study the method.

Weaknesses

Long runtimes make iteration slow versus minute-scale research tools.

Automated reports can contain hard-to-spot errors that need human review.

価格設定とデザインは、個人開発者ではなく企業向けに設計されています。

Marlin そのものはクローズドソースですが、その基盤となるアルゴリズムはオープン化されています。

主なポイント

• Sakana Marlin は、1 タスクあたり最大約8時間にわたって自律的なリサーチを実行します。
• 1回の実行で数十ページに及ぶレポートとスライドを生成できます。
• このシステムは、NeurIPS 2025 のスポットライト論文として発表された AB-MCTS と、Nature に掲載された AI Scientist のワークフローを基盤としています。
• 利用料金は従量課金制で、1 回の実行に 100 クレジットが必要となり、1 クレジットあたり 98 円です。
• 主なターゲットは、金融業界、企業戦略部門、コンサルティングファーム、シンクタンクのチームです。

参考情報

Sakana AI — Sakana Marlin リリース: https://sakana.ai/marlin-release/

Sakana AI — Sakana Marlin プロダクトページ: https://sakana.ai/marlin/

Sakana AI — AB-MCTS 研究および TreeQuest: https://sakana.ai/ab-mcts/

SakanaAI/treequest (GitHub, Apache 2.0): https://github.com/SakanaAI/treequest