AIR、MLLMにコード併用推論を導入 数値計算で性能向上

何が起きたか

2026年6月22日、arXivに掲載された論文「AIR: Adaptive Interleaved Reasoning with Code in MLLMs」が、マルチモーダル大規模言語モデル（MLLM）にコードを併用した適応的推論を導入する手法を提案した。強化学習を用いた訓練により、評価ベンチマークで平均6.1ポイントの性能向上を達成したと報告している。

詳細

提案手法は、コード拡張された複雑な数値計算タスクに対する強化学習訓練を通じて、MLLMに適応的なインターリーブ推論能力を与える。具体的には、二段階のコールドスタートデータ構築パイプライン、RLデータセットのフィルタリング戦略、グループ制約報酬関数を用いた適応的ツール呼び出し戦略の三要素で構成される。実験では、グループ制約報酬関数を用いた強化学習訓練後、評価ベンチマークで平均6.1ポイント、インターリーブ推論サンプルの精度で9.9ポイントの向上を報告し、ツール使用の成功率は95%を超えた。データとコードはGitHubで公開されている。

Key Facts

本紙の見方

今回の研究は、OpenAI o3が示した「コードを併用した推論」というパラダイムを、マルチモーダル大規模言語モデル（MLLM）に拡張する試みとして位置づけられる。既存研究が視覚知覚タスクにおけるツール使用に焦点を当て、視覚操作のための事前定義ヒューリスティックに依存していたのに対し、本手法は数値計算問題を対象に、コード生成と実行を組み込んだ適応的推論を強化学習で獲得する点が新しい。これは、MLLMが視覚情報と数値計算を統合して扱う能力を拡張するものであり、従来の視覚言語モデルの限界を超える試みと言える。 本紙の過去報道との接続は、関連記事が提供されていないため直接的な言及は避けるが、この研究はAI分野における推論能力の向上という流れに沿うものである。特に、強化学習を用いた推論能力の獲得は、OpenAI o3以降のトレンドであり、本手法はその流れをMLLMに適用したものとみられる。 業界構造への含意としては、MLLMの応用範囲が視覚的理解から数値計算を含む複雑な推論タスクへ拡大することで、AIの活用領域が広がる可能性がある。特に、ロボティクスや自動運転など、視覚情報と数値計算を組み合わせる必要がある分野での応用が期待される。また、コード生成と実行を組み込むことで、モデルの透明性や検証可能性が向上する可能性もあり、信頼性が重視される産業での採用が進む可能性がある。 未確定の論点としては、提案手法が実際の産業応用でどの程度有効か、また、強化学習訓練の計算コストやデータ要件が実用化の障壁にならないかが焦点になる。さらに、ツール使用の成功率95%超という結果が、実環境での多様なタスクでも維持されるかどうかは検証が必要である。

なぜ重要か

この研究は、MLLMの能力を視覚理解から数値計算を含む複雑な推論へと拡張するものであり、AIの応用範囲を広げる可能性がある。特に、コードを併用した推論は、モデルの透明性と検証可能性を高めるため、産業界での信頼性が求められる分野での採用が進む可能性がある。