ICLR 2026論文：7BのAIエージェント『AgentFlow』がGPT-4oを上回る——作業の流れの中で学ぶFlow-GRPO

結論から言うと、小さなAIでも訓練のやり方しだいで、大きな有名モデルを上回れることが示されました。ICLR 2026で発表された論文『AgentFlow（エージェントフロー）』は、複数のAI（エージェント）がチームを組み、作業の流れ（フロー）の中で計画を立て、道具を使う方法をその場で学ぶ仕組みです。

長時間の作業をするAIの訓練は、うまくいったか分かるごほうび（報酬）が遅れて少ししか得られず、どの手順が良かったかを見分けにくい、という難しさがあります。AgentFlowは『Flow-GRPO』という新しい訓練法でこれに対処します。

これは、長い作業の流れを一度にまとめて最適化するのではなく、一手ずつの更新に分け、最後に分かった『この流れは正しかった』という検証可能な信号を各手順に伝え、グループ内で比較して安定させる方法です。この工夫により、わずか70億パラメータ（7B）の小さなAgentFlowが、検索・数学・科学の推論で、はるかに大きなGPT-4oを上回りました。

私たちmanapickの読者には、『安く小さいAIでも、賢い訓練法しだいで実用十分になり得る』という、これからの安価AIの可能性を示す明るい話題です。注意点として、これは研究成果で、すぐに製品として誰でも使えるわけではありません。