arXivは11月1日(現地時間)、ルン・アイ (Lun Ai) 氏らによる研究論文「Does Recursive Knowledge Construction Help Agents Verify Consensus Claims in Science?」を公開した。本研究は、科学分野におけるコンセンサス（合意）形成主張の検証を行うエージェントにおいて、再帰的な知識構築が性能向上にいかに寄与するかを考察。新データセット「ProClaim-eval」を用いた評価で、開発された手法「ProClaim」の有効性を示した。
科学分野におけるエージェントは、証拠の取得、中間状態の構築、その状態が十分な情報を含むかどうかの判断を通じて、再帰的に知識を構築する。これらのエージェントは通常、正解データなしでエンドツーエンド評価されることが多く、各設計選択が及ぼす効果は不明確だった。
本研究は、再帰が構築する対象（証拠の状態）と、それを制御するジャッジ（停止時期を決定）という二つの設計軸に焦点を当てている。研究者らは、オープンな文献から主張の合意スタンスを確立するタスクにおけるこれらの効果を測定するため、「コンセンサス科学主張検証」という概念を定義した。
新たな合意主張データセット「ProClaim-eval」が構築され、分子生物学、核物理学、天文学にわたる5つの専門家によってキュレーションされたデータベースから、支持（SUPPORT）および反論（REFUTE）のゴールドラベルが付与された718の主張が含まれている。開発された測定器「ProClaim」は、モデルのコンテキスト外で証拠の状態を維持するように設計されており、これにより各設計軸を他方を固定した状態で研究することが可能になった。
検証システムおよび汎用エージェントハーネスとの比較において、「ProClaim」は上位3位にランクインし、ハーネスに対して顕著な優位性を示した。証拠の状態（evidence state）が、インコンテキストでの情報蓄積よりも性能を向上させることが判明し、その状態に何を保存するかも重要であると結論付けられている。また、証拠の状態を読み取るよう訓練されたジャッジは、固定ラウンド停止よりも優れた性能を発揮する。特に、「ProClaim-eval」に一度も公開されていない訓練済みジャッジは、5つのサブセットのうち3つでゴールドラベルと最高の合意度を達成し、Claude Sonnet (Claude Sonnet) 4.6のジャッジと同等の性能を示し、Claude Haiku (Claude Haiku) 4.5を上回った。これらの結果は、科学エージェントにおける主張検証のために、モデルのコンテキスト外で構造化された証拠の状態を再帰的に維持することが効果的な設計であることを支持している。
参考: arXiv cs.AI (アーカイブ) — 2026年11月2日 14:00 (JST)