EvoLM：共進化する識別ルーブリックによる自己進化型言語モデル
EvoLM: Self-Evolving Language Models through Co-Evolved Discriminative Rubrics
記事のポイント
📰ニュース
外部からの教師なしで、言語モデルが自己評価基準を生成し、それを用いて自身の性能を向上させる新手法「EvoLM」が発表されました。
🔍注目ポイント
モデル自身が評価基準（ルーブリック）を生成し、その基準で自身の出力を評価・改善する「自己進化」の仕組みが技術的ポイントです。
🔮これからどうなる
外部の人間評価や高価なAPIに依存せず、AIが自律的に進化できるようになり、開発コスト削減やAIの能力向上に繋がる可能性があります。
EvoLMは、ルーブリック生成器とポリシー訓練を交互に行います。
ルーブリック生成器は、モデルの過去の出力と比較して、より良い応答を識別する評価基準を生成します。
ポリシーは、その基準で得られたスコアを報酬として学習します。
これにより、Qwen3-8BモデルがGPT-4.1を上回るルーブリックを生成し、ポリシーも既存手法を凌駕する性能を示しました。
ルーブリック生成器は、モデルの過去の出力と比較して、より良い応答を識別する評価基準を生成します。
ポリシーは、その基準で得られたスコアを報酬として学習します。
これにより、Qwen3-8BモデルがGPT-4.1を上回るルーブリックを生成し、ポリシーも既存手法を凌駕する性能を示しました。
AIが自分で自分を評価して賢くなるなんて、まるでSFの世界ですね。この技術が進めば、私たちの生活で使うAIアシスタントの賢さが飛躍的に向上しそうです。