Interlock：長期タスクエージェントを局所的正しさから完遂へ導く

導入

長期タスクを実行するエージェントは、各ステップでは正しく見えるのに、最終成果物を完成させられないことがある。必要な資料を見つけ、妥当な判断を下し、ファイルを編集していても、判断が後続の変更に反映されなかったり、依存する状態が更新されなかったりすれば、タスク全体は未完了になる。

Interlockは、この「局所的な正しさ」と「全体の完遂」の差に焦点を当てる。論文の主張は、タスク生成を自然言語の指示文だけの問題として扱うのでは不十分だというものだ。証拠、判断、最終的な効果を同時に設計し、どの条件が満たされれば完了なのかを明確にする必要がある。

完了グラフによる表現

Interlockでは、各タスクを型付きの完了グラフとして表す。このグラフは単なる手順の列ではなく、要素間の制約を記述する。

• 接地エッジは、環境で公開される証拠と、エージェントが下すべき判断を結び付ける。
• 結合ハイパーエッジは、複数の要素にまたがる共同条件を表現する。個別には正しくても同時には成立しない要件を扱うための仕組みだ。
• 実現エッジは、判断から必要な下流効果までを接続する。選択を行うだけでなく、ファイルや環境状態に反映することを要求する。

このグラフは、リセット可能なワークスペース、公開リクエスト、評価ルーブリックへコンパイルされる。環境、指示、合格条件を別々に作るのではなく、一つのタスク仕様として連携させる点が重要である。

評価可能性を事前に確認

生成時には二つのレビューが行われる。ソースカバレッジレビューは、元の要求がタスク生成後も失われていないかを確認する。公開入力レビューは、評価ルーブリックが求解者の利用できる資料によって支えられているかを調べる。後者は特に重要だ。エージェントが見られない情報を評価側だけが使えば、合理的な軌跡でも不当に失敗と判定される可能性がある。

実行後は、エージェントを判定役として軌跡と成果物を確認し、検証スクリプトも実行する。必須要件をすべて満たすと判定された軌跡だけが訓練用に残される。論文では、これらの軌跡で二つのQwen3.6バックボーンを微調整した。提供された要約によれば、AutomationBenchの合格率は4.00〜4.50ポイント向上した。ただし、他のベンチマークについては素材に完全な結果がないため、全般的な優位性までは断定できない。

意義と課題

Interlockは、完遂を単なる最終回答ではなく、証拠、判断、効果の関係が成立することとして捉え直す。オフィス自動化、ツール利用、状態を持つ環境では、こうした関係の明示が抜け漏れや検証不能な成果物の削減につながる可能性がある。

一方で、完了グラフの設計にはコストがかかり、判定役の信頼性や検証スクリプトの網羅性も結果を左右する。したがってInterlockは、推論能力そのものを単独で解決する手法というより、長期タスクの設計と受け入れ判定を標準化する枠組みと見るのが適切だろう。

出典：Hugging Face Daily Papers