Apple機械学習研究、小型検索エージェントの推論を「書く」から「選ぶ」に変える論文SSRを公開1ターンの推論遅延は90%超減、質問あたりのモデル推論遅延は28〜54%減と著者ら

Apple機械学習研究は、小型のマルチモーダル検索エージェントが行動の前に行う「推論」を、自由な文章の生成から、用意した候補の中から選ぶ方式に置き換える枠組み「Selection-based Structured Reasoning（SSR）」の論文を、同社の研究サイトに掲載しました。論文の要旨によると、2Bと4Bのモデルで7つのマルチモーダル検索ベンチマークを評価し、1ターンあたりの推論遅延を90%超、1つの質問あたりのモデル推論遅延の合計を28〜54%減らしたとされています。成功率の平均は、同じ規模の主要な検索エージェントと競合する水準だと、著者らは述べています。

3行まとめ

1. Apple機械学習研究が、2B・4Bモデルの検索エージェント向けに、推論を候補からの「選択」にする手法SSRの論文を公開（2026年10月掲載）
2. 7つのマルチモーダル検索ベンチマークで、1ターンの推論遅延は90%超減、質問あたりのモデル推論遅延は28〜54%減（著者ら評価）
3. 製品への搭載や提供開始の記載は、今回確認した公式ページには見当たらない

本記事の内容は、日本時間10月16日4時台に公式ページで確認したものです。

SSRは何をする手法なのか

論文の要旨によると、マルチモーダルなエージェントは多くの場合、行動の前に毎回、自由な文章で推論を生成します。著者らは、小さなモデルでは容量が限られるために推論が長くなることがあり、行動の生成にはあまり役立たない一方で、推論のコストは大きくかかると問題を述べています。

SSRはこの推論を「自由な生成」ではなく「選択」として組み直します。要旨に書かれている仕組みは次のとおりです。

• 繰り返し現れる高いレベルの推論を、あらかじめ決めた再利用できる自然言語の候補として用意する
• 各ターンで、モデルが現在の文脈における候補の尤度に基づいて、候補から1つを選ぶ
• そのために別途の出力ヘッド（auxiliary task head）は使わない
• 候補が事前に決まっているので、並列にスコアを付けられる。teacher-forced prefilling（候補の文章をそのまま入力として与えて、各トークンの尤度を計算する方法）で、候補の内部と候補どうしの両方で、共有した文脈のKVキャッシュを使いながら、同時に尤度を計算する

推論を毎回ゼロから書かせる代わりに、候補を並べて「どれがもっともらしいか」を一度に測る、という考え方です。

速くなる数字と、成績の扱い

要旨にある数字を表にまとめます。いずれも著者らの評価結果で、本記事が再現したものではありません。

要旨は「複数の強化学習の目的関数と教師ありファインチューニングのどちらでも、タスク性能を犠牲にせずに効率が大きく上がる」と述べています。

2つの遅延の数字は対象が違う点に注意が必要です。90%超は「1ターンの推論」の遅延、28〜54%は「1つの質問に対するモデル推論全体」の遅延です。質問全体のモデル推論には、推論の部分以外の生成（行動の生成など）も含まれるため削減幅が小さくなる、とも読めますが、この内訳は要旨に書かれていません。

誰が書いた論文か

掲載ページの著者欄には、Feiyu Gavin Zhu、Xiaoyu Zhu、Jiqi Yang、Rui Yang、Arnab Kumar Mondal、Yancheng Wang、Xinke Deng、Jean Oh、Reid Simmons、Joerg Liebelt、Xiang Kong、Zhongyu Jiangの12人が並びます。注記によると、Feiyu Gavin Zhu、Jean Oh、Reid SimmonsはCarnegie Mellon University、Rui YangはUniversity of Illinois Urbana-Champaignの所属です。Feiyu Gavin Zhuは「Work partially done while at Apple」、Rui Yangは「Work done while at Apple」と注記されています。研究分野は「Methods and Algorithms」、種別は「paper」、掲載は「published October 2026」と表示されています。

SSRを組み込んだ製品は出ているのか

今回取得した公式ページは論文の紹介ページです。SSRを組み込んだ製品や機能、提供開始日、提供地域、料金に関する記載は、今回確認したページには見当たりませんでした。したがって「日本でいつから使えるか」は、このページからは判断できません。

前の研究とのつながり

同じ公式ページの「Related readings and updates」には、関連する論文として2件が挙がっています。

• 「Learning Structured Reasoning via Tractable Trajectory Control」（2026年7月2日、ICML）。強化学習が多様な推論の振る舞いを獲得しにくい問題に、構造化した推論で取り組むという内容
• 「Interleaved Reasoning for Large Language Models via Reinforcement Learning」（2025年5月28日）。長い連鎖的思考が最初のトークンまでの時間を伸ばす問題に、思考と回答を交互に行わせる学習で取り組むという内容

Apple機械学習研究がエージェントの効率を扱った別の論文は、本サイトでもSELFCOMPACT（AIエージェントが自分で文脈の圧縮時機を決める）の記事で取り上げています。そちらは文脈の圧縮、今回のSSRは推論の生成が対象で、コストを下げる場所が違います。

公式ページを確認して気づいたこと

日本時間10月16日4時台にこのページを取得した時点で、本文として読めたのは要旨と著者欄、関連論文の紹介だけでした。「View publication」のリンクは論文本体に向いていますが、今回は本文の取得対象に含めていません。7つのベンチマークの名前、比較した「主要な検索エージェント」の名前、評価の表は、要旨にもこのページ本文にも書かれていませんでした。本記事の数字がすべて要旨に由来するのはこのためです。

要旨だけでは分からない4点

• ベンチマークと比較対象：7つのベンチマークの名称、比較相手のエージェント、手法ごとの個別の成績は、今回取得したページには載っていません。
• 遅延の測り方：使ったハードウェアや、遅延を測った条件は、要旨には書かれていません。
• 再現性：数字は著者らの評価結果です。本記事は論文本体を読んでおらず、手法を試してもいません。
• コードやモデルの公開：今回確認したページには、コードや学習済みモデルの公開に関する記載は見当たりませんでした。

論文本体を確認でき次第、わかったことを追記します。

取得したページ

• Apple Machine Learning Research「Selection-Based Structured Reasoning: Toward Efficient Multimodal Search Agents」: https://machinelearning.apple.com/research/selection-structured-reasoning

上記ページを、日本時間2026年10月16日4時55分に取得して確認しました。本記事は続報があり次第更新します。