トリニティ：多様な専門 AI を統括する進化した LLM コーディネーター
本文の状態
日本語全文を表示中
詳細モードで約4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
Sakana AI
研究者らが ICLR2026 で発表した論文「TRINITY」は、単一の巨大 AI ではなく、多様な専門 AI チームを調整する協調型システム「トリニティ」の進化版を示した。このアプローチにより複雑な問題解決が効率化される可能性が示された。
Continue in AI NEW LAB
このニュースを、実務の判断につなげる
AI NEW LABで、試したことや先に確認したい条件を共有できます。まずはログインなしで読めます。
AI NEW LABで論点を見る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。
巨大な AI を一つ構築する代わりに、多様な専門 AI のチームを指揮調整するためのコーディネーターを進化させることはどうでしょうか？🐟
ICLR2026 で会議論文として発表された新しい論文「TRINITY: An Evolved LLM Coordinator」をご紹介できることを嬉しく思います！
論文：https://arxiv.org/abs/2512.04695
OpenReview: https://openreview.net/forum?id=5HaRjXai12
自然界では、複雑な問題は単一の巨大な実体によって解決されることはめったにありません。むしろ、協調して働く専門的な個々の存在の連携した努力によって解決されます。しかしながら、現代の AI 開発は、単一の巨大なモノリスモデルを延々とスケールアップすることに重点が置かれており、リターンは逓減しています。モデルマージ（model merging）は異なるスキルを組み合わせる手段を提供しますが、不整合なニューラルアーキテクチャや高性能モデルのクローズドソースという性質により、実際には適用が難しいケースが多いです。
これに対処するため、私たちはマクロレベルのアプローチであるテストタイムモデル合成（test-time model composition）を採用しました。TRINITY は、基盤となる重みを変更する必要なく、多様な最先端モデルの相補的な強みを融合させるシステムです。
TRINITY は複数のターンにわたってクエリを処理します。各ステップにおいて、軽量なコーディネーターが利用可能なプールから LLM（大規模言語モデル）の一つを選び、3 つの異なる役割のいずれかを割り当てます：
Thinker: 高レベルの戦略を考案し、現在の状態を分析する。
Worker: 具体的な問題解決ステップを実行する。
Verifier: 現在の解決策が完了しており正しいかどうかを評価する。
これらの役割を動的に割り当てることで、コーディネーターは複雑な推論やスキル実行を外部モデルに効果的にオフロードします。
TRINITY が独自性を発揮するのは、その極端な効率性にあります。コーディネーターはコンパクトな言語モデルの隠れ状態と小さなルーティングヘッドに依存しています。全体として、学習可能なパラメータ数は 20K を超えません。
このシステムのトレーニングには大きな課題がありました。従来の強化学習（REINFORCE）は、バイナリ報酬と弱いパラメータ結合により勾配の信号対雑音比が低いために失敗しました。模倣学習（教師あり微調整）も、多ターンラベルの生成に莫大なコストがかかるため却下されました。
私たちの解決策は？自然からインスピレーションを得たアルゴリズムに目を向けました。コーディネーターを勾配なしの進化型アルゴリズムで最適化しました。従来の勾配ベース手法が失敗する、この緊密で高次元の調整問題を最適化するのに進化が特に適していることを発見しました。
結果は非常に有望です。実験において、TRINITY はさまざまなベンチマークで既存のマルチエージェント手法や個別モデルを一貫して上回りました。発表時点では LiveCodeBench で新たな最高記録を樹立し、86.2% の pass@1 スコアを達成しました。
さらに重要なのは、驚異的な汎化能力を示したことです。再学習を一切行わずに、TRINITY は 4 つの未見タスク（AIME, BigCodeBench, MT-Bench, GPQA）に対してゼロショット転移を実現しました。平均して、進化したコーディネーターは、そのプール内の個々の構成モデルすべてを上回りました。これには GPT-5、Gemini 2.5-Pro、Claude-4-Sonnet（昨年 ICLR2026 に提出した時点での利用可能な最前線モデル）も含まれます。
この研究は、Sakana AI のビジョンの中核をなすものです。私たちは、AI の未来は単に巨大なモノリス型モデルをスケールさせることだけにあるのではなく、適応し、強みを組み合わせる協力的で多様な AI エコシステムをエンジニアリングすることにあると考えています。
コミュニティの皆様には、論文の読解とこれらのアイデアの探求をご招待いたします！
この基礎研究は、マルチエージェント製品である Sakana Fugu 🐡 を駆動するコアエンジンの中核部分を構成しています。
原文を表示
What if instead of building one giant AI, we evolved a coordinator to orchestrate a diverse team of specialized AIs? 🐟
Excited to share our new paper: “TRINITY: An Evolved LLM Coordinator”, published as a conference paper at ICLR2026!
Paper: https://arxiv.org/abs/2512.04695
OpenReview: https://openreview.net/forum?id=5HaRjXai12
In nature, complex problems are rarely solved by a single monolithic entity, but rather by the coordinated efforts of specialized individuals working together. Yet, modern AI development is heavily focused on endlessly scaling up single, massive monolithic models, yielding diminishing returns. While model merging offers a way to combine different skills, it is often impractical due to mismatched neural architectures and the closed-source nature of top-performing models.
To address this, we took a macro-level approach: test-time model composition. We introduce TRINITY, a system that fuses the complementary strengths of diverse, state-of-the-art models without needing to modify their underlying weights.
TRINITY processes queries over multiple turns. At each step, a lightweight coordinator assigns one of three distinct roles to an LLM from its available pool:
Thinker: Devises high-level strategies and analyzes the current state.
Worker: Executes concrete problem-solving steps.
Verifier: Evaluates if the current solution is complete and correct.
By dynamically assigning these roles, the coordinator effectively offloads complex reasoning and skill execution onto the external models.
What makes TRINITY unique is its extreme efficiency. The coordinator relies on the hidden states of a compact language model and a small routing head. In total, it has fewer than 20K learnable parameters.
Training this system presented a massive challenge. Traditional Reinforcement Learning (REINFORCE) failed because the gradients had a low signal-to-noise ratio due to binary rewards and weak parameter coupling. Imitation learning (Supervised Fine-Tuning) was ruled out because generating multi-turn labels is prohibitively expensive.
Our solution? We turned to nature-inspired algorithms. We optimized the coordinator using a derivative-free evolutionary algorithm. We found that evolution is uniquely suited to optimize this tight, high-dimensional coordination problem where traditional gradient-based methods fail.
The results are very promising. In our experiments, TRINITY consistently outperforms existing multi-agent methods and individual models across various benchmarks. At the time of publication, it set a new state-of-the-art record on LiveCodeBench, achieving an 86.2% pass@1 score.
More importantly, it demonstrated incredible generalization. Without any retraining, TRINITY transferred zero-shot to four unseen tasks (AIME, BigCodeBench, MT-Bench, and GPQA). On average, the evolved coordinator surpassed every individual constituent model in its pool, including GPT-5, Gemini 2.5-Pro, and Claude-4-Sonnet (the top frontier models available at the time of our ICLR2026 submission last year).
This work is central to Sakana AI’s vision. We believe the future of AI isn’t just about scaling monolithic models, but engineering collaborative, diverse AI ecosystems that can adapt and combine their strengths.
We invite the community to read the paper and explore these ideas!
This foundational research is part of the core engine powering our multi-agent product: Sakana Fugu 🐡
関連記事
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