LLM提案：長期的なエージェントドリフトは測定可能

Marcus Chen

2026年8月7日

original

このarXiv論文は、決定論的なExecutiveが信念を管理し、LLMは提案のみを提出する自己検証装置を提案する。事前登録された予測とコード比較を用いて構造検証を行い、コミットメントドリフトとバインディングドリフトを分離する。タスク効能がゼロであるという開示が、むしろ検証方法の説得力を高める。

長周期エージェントはどう検証すればいいのか。もしエージェントが自らの状態を書き込み、進捗を自己申告する一方で、その自己申告を信用できないなら、問題は袋小路に陥ってしまう。Mohsen Arjmandi が 2026 年 8 月に arXiv へ投稿した論文は、異なるアプローチを提示している：検証をシステム構造に組み込むという方法だ。実行後に追認するのではなく。

論文タイトルが興味深い——『The LLM Proposes, the Executive Disposes』。LLM が提案を担い、決定的な Executive が処置を担う。まるで経営哲学のようだが、実際にはエージェント検証のための計測器だ。

エージェント自身の状態と自己報告こそが最も当てにならないものであるとき、あなたは長周期エージェントをどう検証するのか。

「事後チェック」から「構造的検証」へ

大半のエージェント検証アプローチは事後評価だ。タスクを完了させて結果を見るか、モデルに自己説明させる。だが、その説明自体もモデルが生成したものであり、信頼できない内容を使って信頼できない内容を証明するに等しい。この論文の解決策は次の通りだ：決定的な実行器がすべての信念を掌握し、言語モデルは型付きの提案のみを提出できる。いかなる主張も受け入れられるためには、行動前に予測を事前登録し、その予測と観測をコードが照合する必要がある。

言い換えれば、モデルはもはや最終的な「記憶権」を持たない。モデルは語ることも提案することもできるが、それが確かな事実となり得るかどうかは、コードが事前登録された予測を検証できるかにかかっている。この仕組みは「自己検証」をモデルの能力の問題から、構造の問題へと転換する。

自己無効化する実験装置

論文はさらに、二つの特徴的な性質を示している。一つ目は自動無効化機構だ。シャード書き込みエラー、レンダリングサイズ、ソルト付きカナリアのエコーなどの閾値が突破されると、実行全体が自身を無効としてマークする。最初の 8 回のアーキテクチャ実行のうち 4 回が無効化され、その都度、実際の欠陥を特定した。これは「実験の失敗」を第一級のアウトプットにすることに等しい。

二つ目はレンダリング不可視のシャドウリファレンスだ。各アブレーションユニット内で、完全なシステムが本来実行したであろう計画をコンパイルする。このシャドウリファレンスがあれば、テスト対象の機構が取り除かれても、ドリフト指標は依然として定義され、比較が意味を持つ。

この計測器に基づき、著者はクリーンな単変量の結果を報告している：コミットメント機構をアブレーションすると、目標放棄率が 0.00 から 1.00 へと反転し、バインド誤差は依然として 0.00 で安定している。各セルにつき 3 つのシード、各実行は最大 394 の参照ビート、すべての実行が有効なゲーティングを持つ。バインドチャネルはこれとは異なる。修復がアブレーションされた後も、それはビートごとのドリフトに再び現れることはなかった。バインドはコードが保持しているため、この種の障害は構造的に吸収され、より上流に仮説形成の崩壊の痕跡を残すだけである。

正直な零点こそが、むしろ重要

論文は気まずい部分も隠さない。著者らは ARC-AGI-3 で 52 回のゲーティング付き実行を行い、タスク効能はゼロだった：一度もレベルを完了できなかった。この点は「構造的敗北項目」として事前登録されていた。言い換えれば、この計測器は現時点ではスコアを稼ぐためのものではなく、検証方法論を確立するためのものだ。

これほどの率直さは AI 論文では珍しい。著者が確立しようとしているのは、より強力なエージェントではなく、エージェント開発における信頼できる経路であることを意味している。

長周期エージェントを開発する人にとっての価値

記憶、プランニング、マルチステップ実行を備えたエージェントを構築しているなら、この記事が真正面から突く痛点はこれだ：「モデルがやりたくない」のと「モデルにできない」のを区別できない。論文はこの二つの状況をコミットメントドリフトとバインドドリフトに分解する——一つは目標レベルの放棄であり、もう一つは実行レベルの逸脱だ。分けて測定することで初めて、どのレイヤーを修正すべきかが分かる。

チームにとって、直接参考にできる点がいくつかある：