Apple機械学習研究、AIエージェントが自分で文脈の圧縮時機を決める「SELFCOMPACT（セルフコンパクト）」の論文を公開数学で最大18.1点、検索で5〜9点改善、1問あたりコスト30〜70%減

Appleの機械学習研究サイト（Apple Machine Learning Research）に、長く動くAIエージェントが「いつ文脈を圧縮するか」を自分で決める手法 SELFCOMPACT（セルフコンパクト）の論文「Self-Compacting Language Model Agents」が載りました。掲載ページの区分は 2026年10月公開の論文で、会議は NeurIPS です。論文の要旨（アブストラクト）によると、6つのベンチマークと7つのモデルの評価で、要約をしない基準より数学で最大18.1点、エージェント検索で5〜9点高く、1問あたりのコストは30〜70%低くなったとされています。

3行まとめ

1. Appleの機械学習研究サイトが2026年10月、モデル自身が文脈圧縮の時機を決める手法SELFCOMPACTの論文を掲載（会議はNeurIPS）。
2. 要旨によると、6ベンチ・7モデルで要約なしの基準より数学最大18.1点・エージェント検索5〜9点改善、1問あたりコスト30〜70%減。追加学習は不要とされる。
3. 著者8人のうち7人はジョンズ・ホプキンス大学の所属を示す印付き。Appleの研究サイトの掲載だが、著者の大半は同大の所属。

本記事の内容は、日本時間10月13日8時台に公式ページで確認したものです。

何が問題で、何を提案したのか

論文の要旨が出発点にしているのは、エージェントの「作業記録」が長くなる問題です。思考（chain of thought）とツール呼び出しが連なった長い記録には、古くなった内容がたまり、後の生成を引っ張る（anchor）と書かれています。やがて文脈ウィンドウにも収まらなくなります。

既存の仕組み（scaffold）は、トークン数が一定のしきい値に達したら固定間隔で圧縮する方式で対処している、と要旨は説明します。この方式は作業の構造を見ないので、計算の途中や検索の途中で、途中結果を捨ててしまう恐れがあるという指摘です。

これに対してSELFCOMPACTは、圧縮の「いつ」と「どう」をモデル自身に決めさせます。推論時に次の2つを組み合わせます（要旨の記述）。

要旨は「両方が必要」と書いています。ツールだけだと、オープンウェイトのモデルによって使われ方にばらつきがあり、役に立たない場面で呼ばれたり、まったく呼ばれなかったりする。ルーブリックだけだと、実際に圧縮する手段がない、という説明です。2つを合わせることで、ファインチューニングや外部の教師信号なしに、適応的な圧縮を引き出せるとしています。

数字は何を比べたものか

要旨に出てくる数字は次のとおりです。

読むときの注意が2点あります。1つ目は、「最大18.1点」は数学での最良の場合の数字で、全モデル・全ベンチマークに共通する値ではないことです。2つ目は、「30〜70%低い」の比較対象が、要旨の文面では「要約なしの基準」の改善幅と同じ文の中に並んでおり、固定間隔方式との比較なのかはっきり読み取れないことです。同じ文の前半には「固定間隔の要約と同等以上を、わずかなトークンコストで」とも書かれています。どちらの基準に対する数字かは、論文本体の表で確かめる必要があります。

要旨が挙げる「メタ認知のずれ」

要旨は最後に、モデルは指示がないと自分の文脈が劣化している時期を確実には判断できないが、軽いルーブリックがそのずれを埋める、という見方を示しています。圧縮の時機の判断を、学習ではなく、モデルの外側の仕組み（scaffold）が供給できる能力として捉え直す、というのが著者らの整理です。

筆者の読みを1つ足すと、これは「長い作業を任せるエージェントの設計」に直接関わる話です。ただし、これは要旨を読んだ上での整理で、手法を自分で動かして確かめたものではありません。

Appleの研究なのか、ジョンズ・ホプキンス大学の研究なのか

掲載ページの著者欄は次の8人です。Tianjian Li、Jingyu Zhang、William Jurayj、Xi Wang、Chuanyang Jin、Mehrdad Farajtabar、Eric Nalisnick、Daniel Khashabi。ページ下部の注記では、「†」がジョンズ・ホプキンス大学（Johns Hopkins University）を表しており、ダガーが付いていないのは Mehrdad Farajtabar 氏だけです。このページに同氏の所属を書いた注記はありません。

つまり、Appleの研究サイトに載っている論文ですが、ページの表記から確実に言えるのは「著者の大半がジョンズ・ホプキンス大学の所属」ということまでです。「Appleが開発した手法」と受け取れる書き方は避けた方が正確です。また、これがApple製品（Siriなど）に入るかどうかについては、今回確認したページには何も書かれていません。

日本の読者にとっての使いどころ

論文なので、提供地域・料金・対応プランはありません。実務で関係しそうなのは、自作のエージェントや、長いタスクを回すコーディング系のツールです。論文の中身は「ツールを1つ足し、ルーブリックを書く」という推論時の工夫で、モデルの再学習は要りません。ただし、実際のルーブリックの文面や、使われた7モデルの名前は、今回確認した掲載ページには載っていません。再現や導入を考えるなら、ページの「View publication」から論文本体を見る必要があります。

掲載ページに載っていたもの、載っていなかったもの

日本時間10月13日8時4分に掲載ページを取得した時点で、ページに載っていたのは要旨と著者欄、関連論文2本（10月6日のRISED、8月27日のルーブリックによるアラインメント）へのリンクだけでした。ベンチマーク名、モデル名、コードの配布先といった情報は、ページ本文からは見つかりませんでした。「数字の中身は論文を読まないと分からない」状態で、この記事が確認できているのは掲載ページ上の記述までです。

今回の記事で確認できていないこと

• 数字はすべて論文の著者らによる要旨の記述で、第三者の再現ではありません。
• 6つのベンチマークと7つのモデルの名前、個別のスコアは、今回取得した掲載ページ（HTML本文）には含まれていませんでした。論文本体（掲載ページの「View publication」の先）は取得していません。
• 30〜70%のコスト削減の比較対象は、上に書いたとおり要旨の文面だけでは確定できません。
• ページに載っている日付は「published October 2026」で、日までは本文に書かれていません。RSSの日付は10月12日でした。
• 実装やコードの公開、Apple製品への採用については、今回確認したページに記載がありません。

この記事が読んだページ

• Self-Compacting Language Model Agents — Apple Machine Learning Research（Apple公式）: https://machinelearning.apple.com/research/self-compacting-language-agents

確認時刻は日本時間2026年10月13日8時4分です。本記事は続報があり次第更新します。