Codex / GPT-6 Astra、空間記憶設計で平均44.23を記録　5指標合算でReMEmbRを上回る

何が起きたか

arxiv.orgは2026-10-15、論文「Spatial Memory by Agents, for Agents」を公開した。論文は、ロボットが過去の観測を位置推定、ナビゲーション、質問応答に再利用するための空間記憶を、コード実装を行うエージェントで設計できるかを検証している。固定された開発予算の下で、Designer Agentが記憶構築と検索のコードを書き換え、Fixed Query Agentからのフィードバックで改善し、その実装を凍結したうえで、保持した観測履歴から記憶を構築して評価した。

詳細

評価は、下流の質問を見ないまま構築した記憶を使い、同じQuery Agentで5つの補完的なタスク群を比較する方式で行われた。3回の独立した設計探索の平均で、Codex / GPT-6 Astraは5指標の等重みスコア44.23を記録し、全5タスクを支える最強ベースラインとされたReMEmbRの29.32を上回った。相対改善率は50.9%である。 論文はまた、性能差が証拠の保持と検索に関係するとしつつ、groundingとevidence-useの失敗も確認したとしている。著者らは、コードエージェントが空間記憶設計を自動化しうる一方、性能と計算コストのトレードオフがあると述べている。

Key Facts

本紙の見方

今回の論文で新しいのは、空間記憶を「設計対象」としてコードエージェントに最適化させた点である。ロボットの観測履歴をどう保持し、どう検索するかを人手で詰めるのではなく、Designer Agentが実装を反復し、Query Agentのフィードバックで評価する枠組みを取っている。他方で、これは空間記憶そのものの新規概念というより、設計手法を自動化する試みであり、論点はモデル性能の絶対値より、記憶の保持と検索の設計をどこまで代理できるかにある。 本紙の関連記事はないため、過去報道との連続性は置かない。公開情報ベースで見ると、この研究は「観測した情報を貯める」だけでなく、「どの証拠を残すか」「どう取り出すか」を同時に最適化する点に特徴がある。5つのタスク群を同じQuery Agentで評価しているため、単一のベンチマークに偏らない設計ではあるが、groundingとevidence-useの失敗が指摘されている以上、記憶が正しく参照されても答えの整合性が保てるかは別問題である。ここからは、空間記憶の実装を自動化する研究が、単なる精度競争ではなく、検索戦略と証拠管理の設計競争に移りつつあると読める。 業界構造への含意としては、ロボット向けの記憶基盤がモデル単体ではなく、観測ログの保持方式、検索インデックス、評価ループまで含む「実装問題」になっている点が大きい。5指標の等重みスコアで比較していることは、位置推定、ナビゲーション、質問応答の要求が同じ設計で両立しない可能性を示す。今後確認すべきは、設計探索ごとの計算コスト、どのタスクで保持が効き、どのタスクで検索が効いたのか、そして held-out observation histories に対する汎化がどこまで安定するかである。

なぜ重要か

論文が示したのは、ロボットの空間記憶を人手の設計からコードエージェントによる反復最適化へ寄せられる可能性である。位置推定、ナビゲーション、質問応答を同時に扱う以上、記憶の保持方式と検索方式の設計は、実運用の精度と計算コストを左右する論点になる。

日本への影響

日本のロボット研究や実装にとっては、空間記憶を「記録」ではなく「設計」の問題として扱う必要があることを示す。とくに、実世界の観測履歴を使う移動ロボットや案内ロボットでは、保持と検索の方式をどう評価するかが焦点になる。