メタ、8B モデルで Claude Opus 4.5 に匹敵する性能を達成

記事の3ポイント

1. 1

   EvoHarness-RL の登場

   メタ AI とイリノイ大学アーバナ・シャンペーン校の研究者が、AI エージェントが環境情報をどのように読み、更新し、統合するかを教えるための抽象化レイヤー「EvoHarness-RL」を導入した。

2. 2

   自律性の向上とコスト削減

   従来の手動ルールや硬直的な記憶構造に依存するアプローチから脱却し、エージェントが行動の費用対効果を自ら評価できる能力を付与することで、エンジニアリングリソースの浪費を防ぐ。

3. 3

   モデル固有の最適化

   最適なハネスはモデルによって異なるため、各モデルに合わせたプロンプトやメモリ設計を手動で調整するサイクルを解消し、モデルアップグレード後のチューニング時間を短縮する。