Lirui Luo氏らは2026年11月19日、Communicative On-Policy Distillation(COPD)についての論文を発表した。この手法では、学習する側のモデルが自由形式の自然言語を使って、ブラックボックスの教師モデルにいつ質問するかを決める。そのやりとりを利用して、以降は教師モデルの助けを借りずに自ら学習する。CAMG-IIベンチマークでは、COPDは既存のブラックボックス型オンポリシー蒸留手法のうち最も優れたものと比べ、2.46 ×の性能向上を達成した。著者らは、Terminal-Bench 2.1とSWE-Bench Pro V2でも性能向上を報告している。
なぜ重要か
この手法が実際に機能すれば、開発者は大規模な独自モデルへの全面的なアクセスがなくても、複雑なタスクに取り組むAIエージェントの性能を高められる可能性がある。