InterleaveThinker、既存の画像生成器にテキスト・画像の交互生成機能を付与するマルチエージェント手法を発表

何が起きたか

arxiv.orgに2026年6月11日付で掲載された論文「InterleaveThinker: Reinforcing Agentic Interleaved Generation」において、既存の画像生成器にテキストと画像の交互生成（インターリーブ生成）機能を付与するマルチエージェントパイプライン「InterleaveThinker」が発表された。同手法はプランナーエージェントと批評エージェントを導入し、単一ステップの強化学習で生成軌道全体を最適化する。

詳細

InterleaveThinkerは、プランナーエージェントが画像とテキストの入力シーケンスを整理し、各ステップで画像生成器に実行内容を指示する。その後、批評エージェントが生成器の出力を評価し、計画から逸脱したサンプルを特定して指示を修正する。パイプライン実装のため、フォーマットのコールドスタート用に「Interleave-Planner-SFT-80k」と「Interleave-Critic-SFT-112k」を構築し、GRPOを用いた「Interleave-Critic-RL-13k」でステップごとの指示修正能力を強化した。単一のインターリーブ生成軌道は25回以上の生成器呼び出しを含むため、軌道全体の最適化は計算的に非現実的であり、精度報酬とステップ報酬を導入して単一ステップの強化学習で軌道全体を効果的に導く。

Key Facts

本紙の見方

今回の発表は、画像生成分野における「インターリーブ生成」という未解決の課題に取り組む点で新規性が高い。従来の画像生成器は単一画像の生成や編集に優れるが、テキストと画像を交互に生成するシーケンスはアーキテクチャ上困難とされてきた。InterleaveThinkerは、既存の生成器を拡張するマルチエージェントパイプラインを提案することで、この制約を回避している。プランナーと批評エージェントの役割分担は、生成プロセスをモジュール化し、各ステップの品質を監視する点で、従来のエンドツーエンドの学習とは一線を画す。特に、単一ステップの強化学習で軌道全体を最適化する手法は、計算コストの観点から実用的な選択であり、生成軌道が長い場合のスケーラビリティ問題への対処として注目される。 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、画像生成分野におけるマルチエージェントアプローチの応用は、近年のAI研究のトレンドと一致する。特に、強化学習（GRPO）を導入した点は、推論能力の向上を狙った最近の研究動向と符合する。論文では、インターリーブ生成ベンチマークでの性能に加え、推論ベンチマーク（WISE、RISE）での向上も報告されており、これはインターリーブ生成の学習がモデルの推論能力に副次的な効果をもたらす可能性を示唆する。 業界構造への含意としては、この手法が既存の画像生成器に適用可能であることから、生成器の基盤モデルを開発する企業にとっては、差別化要因となる可能性がある。一方で、マルチエージェントパイプラインは計算リソースを多く消費するため、実用化にはコスト面の課題が残る。また、批評エージェントの品質が全体の性能を左右するため、批評モデルの開発が今後の競争ポイントになるだろう。 未確定の論点としては、論文で報告された性能が特定のベンチマークに限定されており、実世界の多様なタスクでの汎用性は未検証である。また、プランナーと批評エージェントの学習データ（80k、112k、13k）の質と規模が性能に与える影響、および異なる生成器アーキテクチャへの適用時の挙動も確認が必要だ。さらに、強化学習の報酬設計が生成品質に与える影響や、長い生成軌道での安定性も今後の検証課題となる。

なぜ重要か

InterleaveThinkerは、画像生成器の能力を拡張する新しいパラダイムを示すものであり、視覚的なナラティブ生成やロボット操作など、テキストと画像が混在するタスクへの応用が期待される。また、単一ステップの強化学習で軌道全体を最適化する手法は、長いシーケンスを扱う他の生成タスクにも応用可能であり、AI研究全体に影響を与える可能性がある。