マイクロソフトと上海交通大学、Argusをオープンソース化、1548時間自律研究システム

「実行する」から「舵を取る」まで、ロングテームエージェントには何が足りないのか？

エージェントが急速に発展する今日、Harnessは大規模モデルが現実世界にアクセスし、ツールを呼び出し、コードを修正し、実験を実行できるようにしました。しかし、タスクが数十分から数日へと延長される場合、システムは依然として誰かが長時間画面の前に座り、次に何をすべきかを判断する必要があります。

このボトルネックの根本的な原因は、モデルの能力が不足していることだけでなく、現在のエージェントが「実行」を自動化している一方で、その上位にある「運転」を真正に自動化していないことにあります。Harnessはモデルに行動の能力を与え、人間がモデルに意思決定を提供します。人間が去ると、プロジェクトも停止します。また、密な報酬フィードバックがない場合、エージェントの実行と反応は鈍く不器用になります。

この問題を解決するために、マイクロソフトや上海交通大学などの機関は、長期研究タスク向けの汎用エージェント推論ランタイム「Argus」をオープンソース化し、技術レポートを公開しました。このシステムは、証拠駆動、自己進化、複数エージェント協働、コアとドメインの分離といった設計により、密集した標準フィードバックなしで、エージェントが複数の分野にわたって数日間継続的な研究を展開できるようにします。

レポートは27のキャンペーン、1,548時間の時計時間にわたってカバーされています。平均して40.7時間ごとに1回の人的介入が要求され、レポートの作業デューティサイクルは95.1%～98.7%でした。今回のArgusの提供は高スコアのベンチマークにとどまらず、一連の本格的なプロダクションレベルの成果物です。チームはAI4AI、GPUカーネル、モデル訓練、AI4Science、チップ設計、AI4math、AI4Systemなど広範なタスクで成果を示し、Argusの汎用性と本格的な研究レベルの知性を体現しています。

図1：Argusの実行時、能力ベンチマーク、および配信結果の概要。

• 論文タイトル：Argus：誰が何日もハーネスを駆動しているのか？
• 論文： https://arxiv.org/abs/2608.05144
• コード： https://github.com/lbx154/Argus
• プロジェクトページ：https://argusbot.cn/
• プロジェクト成果のオープンソースリポジトリ：https://github.com/Argus-AiTeam
• プロジェクト数学解法ライブ配信：https://open.argusbot.cn/#counterexample-live

過去2年間、Agentエンジニアリングの主な進展はHarnessに集中してきた。自動運転のFSDに例えると、モデルはエンジンに、Harnessはトランスミッションに相当するが、車両がどこへ向かうかを決定するのは、依然としてスクリーンの前に座る人間である。短時間タスクでは、通常のパーキングアシストのように、タスク自体が明確なフィードバックを提供するが、タスクが数日間に及ぶと、研究課題はしばしば安定した報酬もなければ、初期から明確に定義された目標もない。これにより、既存のAgentが真のボトルネックを露呈している：それらは実行はできるが、不確実性の中で継続的に判断することはまだできない。

図2：Argusは、自動研究を実現することで、人間の役割を継続的な運転席から助手席へと変える。

Argusは、これまで自動化されていなかったHarnessの上部を「Driver」と呼ぶ。これは、計画と現実が対立しても、証拠に基づいて引き続き方向を制御することを目的としている。研究開始時に記された目標は、情報が最も少ない段階での初期仮定にすぎず、Agentが事前に設定された到達点をGoal-Drivenに追いかけるだけだと、不可能な目標に対して繰り返しTokenを無駄に消費し、目標の固定化を招く。一方、Evidence-Drivenは制御ロジックを逆転させる：次のステップは、当初の計画の仮定ではなく、既存の証拠によって決定される。実行中に得られるすべての結果は、ルートを変更する有効な証拠であり、システムはまさに証拠によって駆動される。具体的には、Driverは現在の証拠に基づき、以下の4つの質問を繰り返し回答する必要がある：

この作業はすでに完了しており、品質は十分に高いですか？

2. 現在の証拠を踏まえて、次に最も価値のある行動は何か？

3. 今回の経験をもとに、今後のシステムの行動をどのように変更すべきですか？

4. 残りの問題は、人間のみが下すことができる判断を含んでいますか？

Argusは、長期プロジェクトを永続的なCampaignとして整理し、境界が明確な複数のMissionに分割します。その基本的なサイクルは、Manager → Planner → Engineer ⇄ Reviewer → Managerです：

OpenAI Codex の /goal モードを参照することで、Argus の設計指向をより明確に理解できる。/goal は、エージェントの単一ループをゴール状態を伴う持続的なループに拡張するものであり、Argus は研究プロジェクトを複数のロールと複数のハーネス、そして知識の蓄積が可能な長期実行環境として構成する。前者は「エージェントをどのように停止させないか」に答え、後者は「エージェントが停止しない状態で、どのように効果的に作業させるか」に答えている。これは、ゴール駆動からエビデンス駆動への移行が、実行時層面で対応する構造的差異である。

1. マネージャーはステージ移行、プロセス承認、グローバル戦略を掌握します；

2. プランナーは現在の証拠に基づいて具体的なタスクを計画する；

3. エンジニアが実際のコードベースにアクセスし、実験を実行する；

4. レビュアーは独立して作業成果をレビューし、革新性と有効性を検証してマネージャーに報告するか、エンジニアに返却する。

ここで重要なのは複数のエージェント自体ではなく、コンテキストを分割することです。複数のエージェントが互いに協力し合い、エージェントが単なる局所的な登頂アルゴリズムにならないようにします。各エージェントは独自のコンテキストを持ちながらも共有ワークスペースを用い、計画・実行・検証のすべてを1つのエージェントに任せることを避け、トークン効率を向上させることができます。そのため、Argusの1つのタスク内で、Pi、Codex、Claude Codeを同時に有効化できます。 DeepSeekハーネス 異なるハーネスにより、高度なカスタマイズを実現しました。

システムは一連の完全なアーティファクトを保存します。証拠の基準を満たした経験のみが、Wiki および Skill に登録され、Project、Vertical、または Global のスコープで後続のタスクに再利用されます。

同時に、CoreとVerticalは分離されたままです。Coreはロール権限、証拠提出、人間の境界を担当し、Verticalはドメインエキスパートが数学、GPU、材料などのタスクにおいて何が有効な証拠であり、関連する人間のスキルと知識であるかを定義します。Verticalは研究タスクの納品品質を大幅に向上させるとともに、人間のエキスパートとエージェントの共進化、カスタマイズされたワークフローの実現にインターフェースを提供します。

図3：Argusの長期運用メカニズム。4つのロールが永続的な状態を循環し、キャンペーンは8つの研究段階間で前進またはロールバックできます。

長距離エージェントが成立するかどうかを真正に決定するのは、時間が真の研究成果に変換できるかどうかである。Argusのオープンソース化後1か月以内に、インフラストラクチャー、材料、チップ、数学、およびAIシステムの研究において優れた貢献を果たしており、我々は完全なエンドツーエンドの数学的予想解決の選別ログを公開した最初のチームである。すべての実行トラジェクトリーセッションを公開しており、以下にArgusのオープンソース化後の成果をまとめます：

図4：Argusの代表的な研究成果、主要指標、および受入基準

上表に示すように、ArgusはまずAI4System & Infraにおいて、継続的な運用を明確な工学的成果として受け入れ可能な実際の納品に変換し、自動実行から自律的研究への第一歩を踏み出した。その後、タスクはAIインフラからAI4Science、AI4Hardware、AI4Mathへと拡張され、評価基準も「定められたタスクを完了したか」から「未解決の現実的な研究課題を探索できるか」へと移行した。これにより、自動研究は自動納品から自動探索へとさらに進化した。さらに、ArgusはAI4AIの分野で単一の成果から完全な研究プロセスへと拡張し、証拠に基づいてタスクを継続的に推進し、人間が画面前に常にいる必要がなくなることで、実際の納品→分野横断的探索→フルプロセス自律的研究への段階的進化の道筋を形成した。

図5：Argusがフルプロセスの論文制作における提供結果。

以上の成果はすべて1ヶ月以内に達成されました。これらの成果をつなげると、Argusは徐々に深まる価値連鎖となります。自動化の対象は単一の実行から証拠駆動の研究推進へと拡張され、研究の進展が大幅に加速されています。これは「人がスクリーンから離れた後、誰がエージェントを操縦するのか？」という問いに対する最も直接的な答えです。

ロングレンジインテリジェンスは、トークンをインテリジェンスに変換し、そのインテリジェンスを使って研究プロジェクトを継続的に推進し、実際の価値を生み出すものです。Argusは、従来互いに分断されていたモデルの呼び出しを、継続的に動作する研究システムに統合し、Evidence-Drivenで方向性を制御し、自己進化を通じて経験を能力として蓄積します。

Argusが提示しているのは、より長時間動作するエージェントだけでなく、新しい研究の組織方法です：Harnessがモデルの行動を制御し、Driverがシステムの継続的な前進を決定します。研究の速度はもはや人間の労働や娯楽の時間に制約されません。これは研究の加速時代が到来しつつあることを意味するかもしれません。画面を消しても、研究は継続されます。

著者紹介

Argusは、マイクロソフトと上海交通大学の研究者たちが主導し、複数の大学の研究者たちが共同で推進しています。

本文は微信公众号「機械の心」より