ただし、これから並べる新しさの主張は、著者ら自身が自分の手法をそう位置づけているものである。本稿は先行手法との独立した比較をしていない（後述するとおり、素材の側に系譜の情報が欠けていた）。だから以下は「著者らはこう主張している」の紹介であって、その主張が学界でどう評価されているかの検証ではない。この距離は最後まで保つ。

何を主張しているのか

論文の中心概念は3つある。いずれも著者らの定義であり、ここではその定義を平易化して運ぶ。

ひとつめが「human-gated self-evolution loop（人間ゲート付き自己進化ループ）」。著者らはこれを、各ラウンドで学習エージェントが目標とする能力を計画し、モデルを学習させ、ベンチマークの軌跡を評価し、観測された失敗からデータの配合を練り直す反復ループと定義する。単一の汎用的な医療データで一気に更新するのではなく、狙いを定めた例でモデルを直していく「データ中心のループ」だという。

ふたつめが「data-first の自己進化」。著者らの言葉では、閉ループで測りながら回す規律は保ちつつ、最適化の対象を変える。プロンプトでもコードでもハイパーパラメータでもなく、モデルに学習させる事後学習のデータ配合そのものを対象にする、と。

みっつめが「self-distillation fine-tuning（SDFT）」。モデル自身が出したサンプルを生徒側の分布とし、追加の文脈で条件付けした教師を目標に据えることで、更新をベースモデルの生成方策の近くに保つ手法だとされる（この手法自体は Shenfeld et al., 2026 として引用されており、本論文の発明ではない）。

タイトルにした「モデルを直すのではなくデータを直す」は、この data-first の主張を一言に畳んだものである。

従来と何が違う、と著者は言っているのか

ここで正直に断っておく。この節はふつう、型5では「先行手法と並べてどこが新しいか」を検証する場所になる。だが今回は、その系譜情報が素材の側になかった。PPO から何を引き継ぎ何を捨てたか、といった独立の相対評価ができていない。

できるのは、著者ら自身の位置づけを紹介することだけである。著者らは、自己進化の閉ループという枠組みは既存のものと共有しつつ、最適化する対象を「データ配合」に移したところを差分として主張している。プロンプトやコードやハイパーパラメータを探索する手法に対して、Cura は事後学習データの配合を探索してモデルに焼き込む、という切り分けである。

繰り返すが、これは著者らの自己申告であって、その差分が本当に新しいのか、既存手法にどれだけ近いのかを本稿は判定していない。

どう動くのか

ループは5つの段階で構成される、と論文は説明する。

Plan では、目標とする挙動・ベンチマーク・指標・データレシピ・候補となるハイパーパラメータを定義し、人間の承認を通す。Train では LoRA アダプタを学習させる。まず SFT で配合とハイパーパラメータをスクリーニングし、RL で報酬駆動の改善をかけ、最後に SDFT で仕上げる。Evaluate でベンチマークを実行して軌跡を集め、失敗を分析する。Refine では失敗した軌跡を根本原因分析の証拠として使い、失敗モードを狙ったデータに変換し、次の配合を組み、候補行を検証する。そして Review が人間のゲートで、keep（採用）／revert（差し戻し）／continue-to-refine（精緻化継続）／deploy（展開）のいずれかを判定してから次のラウンドに入る。

この順序には理由がある。SFT は最もコストの低い前提ステップとして置かれ、時間のかかる RL や SDFT に進む前に、提案された配合とハイパーパラメータが妥当か・安定して学習するか・目標指標を意図した方向に動かすかを確かめる。この関門を通過して初めて RL へ、最後に SDFT へ進む。安い検査を先に、高い処理を後に、という設計である。

データの合成は6つのエージェントスキル（Retention Anchor / Reasoning Correction / Knowledge Injection / Behavior Calibration / Other / Data Mixture Curation）で駆動される。たとえば Retention Anchor は、いま既にできていることの例を少量加えて、狙った修正が既存能力を上書きしないようにする役割だという。新しいデータ行が配合に入る前には、フォーマット・安全性と PII リスク・重複・意図した修正のカバレッジを、検証ゲートが点検する。

「人間ゲート付き」という名前が指すのは、この Review 段階と、データ精緻化の検証である。全自動で回すのではなく、要所に人間の判断を挟む設計になっている、というのが著者らの主張の骨格になる。

ベンチマークのスコアは、臨床での有効性や安全性を意味しない。 本稿「成果をどう読むか」より

成果をどう読むか

今回は成果数値がある。前回この枠で扱った素材は企業ブログで、手法は語れても成果を評価できなかった。今回は論文で、ベンチマークのスコアが揃っている。だから主張の強度をある程度は測れる。ただし測り方には注意がいる。

報告された主なスコアは次のとおりである（いずれもベース → Cura 1T）。

  • MedAgentBench タスク成功率: 0.847 → 0.940（+0.093）
  • HealthBench Professional: 0.503 → 0.662（+0.159）
  • HealthBench Hard: 0.222 → 0.368（+0.146）
  • MedXpertQA overall pass@1: 0.569 → 0.655（+0.086）
  • AgentClinic overall pass@1: 0.754 → 0.796（+0.042）

対フロンティアでは、MedAgentBench で Cura 1T の 0.940 が最強の参照（Claude Opus 4.8 の 0.937）をわずかに上回った、と論文は述べる。一方 MedXpertQA overall では 0.655 でベースと Claude Opus 4.8（0.628）は上回るが、GPT-5.5（0.675）には及ばず2位、とも書いている。上回るベンチと、及ばないベンチが混在している。

ここでスコアを額面のまま並べないための留保を3つ置く。

第一に、指標がベンチマークごとに違う。HealthBench はルーブリックによる採点、MedXpertQA は正答文字の exact-letter pass@1、AgentClinic と MedAgentBench はタスク成功率である。異なる物差しの数字を横に並べて「合計何点勝った」とは読めない。伸び幅（Δ）の大小も、物差しが違えば直接比較できない。

第二に、測定条件が完全には揃っていない。特記のない限り温度 T=1.0 だが、MedAgentBench の開発パス（論文の Figure 3）のみ T=0.6 とされている。条件が一箇所で異なる以上、その数字だけは他と同じ土俵に置けない。

第三に、これが最も重い留保である。ベンチマークのスコアは、臨床での有効性や安全性を意味しない。 論文自身が限界として、Cura 1T は研究モデルであって医療サービスではなく臨床医の代替に使うべきでないこと、ベンチマークは固定されたハーネスの下で狭い能力を測るものであって高スコアが無監督の臨床利用の安全性を保証しないことを明記している。これは preprint（査読前）の医療 AI という素材の性質そのものから来る留保でもある。高い成功率は「このベンチのこの条件でこう振る舞った」以上のことを語らない。

著者ら自身も、結果は現行の学習レジームに限定され、臨床行動のカバレッジ拡大・長期のエージェント作業・フルパラメータ更新の探索が今後の課題だと述べている。

なぜ重要か — WHY IT MATTERS

読者のメンタルモデルに置くもの

この一本が更新するのは、たぶん「モデルをどう良くするか」という問いの向き先である。重みを直接いじる、プロンプトを練る、という方向のほかに、「モデルに何を食わせるかを、失敗の分析から自動で組み替え続ける」という方向がある――少なくとも、そう主張する論文が査読前の段階で出てきた。その主張が正しいかどうか、そして医療という領域でベンチのスコアが臨床の現場に何を意味するのかは、この一本の外にある。ここで渡せるのは、その問いの立て方までである。

← トップに戻る