arXivは2026年10月21日(現地時間)、論文「Environment Duels: A Microcosm of LLM Co-Evolution」を公開した。同論文は、大規模言語モデル（LLM）の創造力と問題解決能力を同時に評価する新たなベンチマーク「エンバイロメント・デュエルズ」を導入している。このフレームワークは、モデルがインタラクティブな環境を作成する能力と、その環境内でタスクを解決する能力を動的に測定することを目的とする。
「エンバイロメント・デュエルズ」は、各LLMが特権的なヒント（privileged hint）を持つ環境を作成し、その環境が、能力のあるソルバーがヒントなしでは失敗し、ヒントがあればパスするようなタスクを生成することを目指す。この革新的なフレームワークは、フロンティアLLMが互いにどのように影響し合うかという相互作用の縮図を提供するとされる。
9つのフロンティアLLMを対象とした評価が実施され、その結果、問題解決能力（solving）と環境作成能力（authoring）は異なるスキルであることが判明した。これは、最も強力なソルバーが必ずしも最も強力なオーサーであるとは限らないことを示唆している。さらに、より小型のモデルは他者のプレイから多くを学ぶ傾向が見られ、最も難しい環境と最も有用なヒントを作成する傾向があることが確認された。
モデル間のペアワイズインタラクション（pairwise interactions）は、モデルが互いに影響し合う様子の縮図を形成する。この対決結果は推移的であり、安定したランキングを生成する特徴がある。また、驚くべきことに、独立して環境を作成したオーサーたちは、同様のデザインに収束する傾向があることも観察された。研究では、Qwen3.8-27Bを用いた強化学習が実施されており、オーサーの環境における学習者のヒントリフトが、その環境でのトレーニングが保持された推論（held-out reasoning）およびエージェントベンチマーク（agentic benchmarks）をどの程度改善するかを追跡した。この改善効果は、自身の環境か他のモデルの環境かを問わないことが示されている。
これらの発見されたパターンは、デュエルの枠外でモデルが互いに影響し合う方法に対応しており、「エンバイロメント・デュエルズ」は、LLMが互いに教え、挑戦し、学び合うプロセスを理解するための窓を提供すると見られる。この研究に関連するコードは、論文と共に公開されている。
参考: arXiv cs.CL (アーカイブ) — 2026年10月22日 02:55 (JST)