1タスク0.07円でARC-AGI-1を解く150Mモデル──BDH-CQは「言葉にしない推論」で費用対精度の記録を更新した

「Chain-of-Thought（思考の連鎖）」のように、モデルに途中経過を言葉で書き出させてから答えさせる手法は、LLMの推論精度を上げる定番の方法として定着している。だが2026年8月10日にarXivで公開された論文「BDH-CQ」は、中間推論を一切言語化せず、高次元の潜在空間の中で計算だけを反復させるという、まったく別の方向性を提示している。開発元は「Pathway」というAI研究ラボで、要旨だけでなくarXiv HTML版の本文、および開発元の公式サイトも確認した。

3行まとめ

1. BDH-CQ（29.5%・$0.00070）は「最も安い」だけで「最も正確」ではない。同じARC-AGI-1で、GPT 5.6 Luna（Low）は34.2%というBDH-CQより高い精度を、1タスク$0.040というより高いコストで達成している。論文は「コストあたりの精度」でパレートフロンティアを更新したと主張しているのであって、精度そのものの最高記録ではない
2. Bielikとニューヨーク大学の共著者による独立監査（モデルの重みへのアクセスなしのブラックボックス監査）が、公開ARC-AGI-1評価セットで29.5%というスコアを再現した、と論文自身が報告している
3. 開発元Pathway公式サイトによれば、同じBDHアーキテクチャ系列は約25万問のSudoku Extremeパズルで97.4%のトップ1正答率（chain-of-thoughtもバックトラックもなし）、BABILongでは32Kトークン文脈で95%を達成したとしている。ただしBABILongの結果は「汚染チェック・独立検証・リーダーボード審査待ち」と自ら注記している

「言葉にしない」推論とは何か

論文の要旨は、モデルの仕組みをこう説明している。

"We introduce BDH-CQ, a reasoning model that combines in-context learning with recurrent latent reasoning. Inputs presented at inference time continuously update the model's recurrent memory; the model then solves a query through iterative computation in a high-dimensional latent space, without verbalizing its intermediate reasoning."

（BDH-CQは、文脈内学習と再帰的な潜在推論を組み合わせた推論モデルだ。推論時に提示された入力は、モデルの再帰的なメモリを継続的に更新する。モデルはその後、中間推論を言語化することなく、高次元の潜在空間における反復計算を通じてクエリを解く）

つまり、モデルは問題を解く過程で「まず〜を確認し、次に〜を試す」といったテキストを一切生成しない。代わりに、内部の潜在表現（ベクトル空間上の状態）を繰り返し更新しながら、答えにたどり着く。Chain-of-Thoughtが「見える推論」だとすれば、BDH-CQは「見えない推論」を選んだアプローチだ。

評価にはARC-AGI-1を使用

このモデルの評価には、パターン認識・抽象的推論のベンチマークとして知られるARC-AGI-1が使われている。

"We evaluate the model on the public ARC-AGI-1 evaluation set and use controlled ARC-like interventions to study what it learns from demonstrations, how consistently it applies an inferred transformation, and which concepts remain difficult."

（公開されているARC-AGI-1評価セットでモデルを評価し、統制されたARC類似の介入実験を用いて、モデルがデモンストレーションから何を学ぶか、推論した変換をどれだけ一貫して適用するか、どの概念が引き続き困難であるかを調べた）

単にスコアを測るだけでなく、「モデルが実際に何を学習しているか」を、ARC-AGI形式の問題に手を加えた統制実験によって掘り下げている点が特徴だ。

数字：150Mパラメータで29.5%、コストは1タスク0.07円

論文が示す具体的な結果はこうだ。

"A 150M-parameter configuration reaches 29.5% pass@2 at a computed inference cost of $0.0007 per task. This operating point breaks through the previously reported ARC-AGI-1 cost-accuracy Pareto frontier, establishing a new state of the art in benchmark cost efficiency."

（150Mパラメータの構成は、1タスクあたり0.0007ドルの計算推論コストで、pass@2 29.5%に達する。この動作点は、これまで報告されていたARC-AGI-1のコスト対精度のパレートフロンティアを突破し、ベンチマークのコスト効率における新たな最高水準を打ち立てた）

0.0007ドルは、日本円にして1タスクあたり約0.1円程度（為替レートにより変動）という水準だ。150Mパラメータという規模も、昨今の数百億〜数兆パラメータ級のフロンティアモデルと比べると極めて小さい。「パレートフロンティアを突破した」という表現は、これまでの他手法が「精度を上げようとするとコストが跳ね上がる」「コストを抑えようとすると精度が落ちる」というトレードオフの線上にあったのに対し、BDH-CQがその線の外側（より良い側）に位置する結果を出した、という主張だ。

なぜ「言語化しない推論」が効くのか

Chain-of-Thoughtは人間にとって解釈しやすい一方、テキストとして出力・処理するために計算コストがかかる。BDH-CQのアプローチは、この「言語化のコスト」自体を省略することで、小さなモデルでも効率的に推論できる可能性を示している。ただし、これはARC-AGI-1という特定のベンチマーク・特定のタスク特性（パターン認識・変換の推論）における結果であり、あらゆる推論タスクに一般化できるかどうかは別の問題だ。

「言葉にしない」ことの裏返しにあるデバッグ性の課題

筆者は、Claude Codeなど日常的に使うツールで、Chain-of-Thought的な「考えながら喋る」推論の恩恵を実感することが多い。BDH-CQが示しているのは、その「喋る」部分を省いても——少なくともARC-AGI-1のような特定のタスクでは——効率よく答えにたどり着ける設計があり得る、という可能性だ。人間に読める推論過程を犠牲にする代わりに、コストと速度で優位に立つというトレードオフは、用途によっては魅力的だが、逆に言えば「なぜその答えになったか」を人間が検証しにくくなる、というデバッグ性の課題も抱えていると考えられる。

「最も安い」であって「最も正確」ではない

論文本文を読むと、コスト面の主張の裏側にある比較対象が具体的に書かれていた。

"Using ARC Prize's reported costs as of July 2026, BDH-CQ is approximately 57x cheaper than GPT 5.6 Luna (Low) which scores 34.2% at $0.040... When accounting for OpenAI's 80% public API price reduction of GPT 5.6 Luna on July 30, 2026, which is not reflected in ARC Prize's data as of August 6, 2026, BDH-CQ is approximately 11x cheaper than GPT 5.6 Luna (Low)."

（ARC Prizeが2026年7月時点で報告したコストにもとづくと、BDH-CQは、1タスク0.040ドルで34.2%のスコアを出すGPT 5.6 Luna（Low）よりおよそ57倍安い……2026年7月30日のOpenAIによるGPT 5.6 Lunaの公開API価格80%引き下げ（ARC Prizeの2026年8月6日時点のデータには未反映）を考慮すると、BDH-CQはGPT 5.6 Luna（Low）よりおよそ11倍安い）

つまり比較対象のGPT 5.6 Luna（Low）は、BDH-CQ（29.5%）より高い34.2%というスコアを出しており、単純な精度の勝負ではBDH-CQが勝っているわけではない。論文が主張しているのは「同程度以上の精度を、他のどのシステムより安いコストで達成した」という、コスト対精度のグラフ上での位置取りの新記録であって、精度そのものの最高記録ではない。この区別は、要旨の文言だけを読むと見落としやすい。

独立監査がスコアを再現、ConceptARCでは59〜60%まで上昇

論文には、著者以外による検証についての記述もあった。

"An independent black-box audit conducted by co-authors from Bielik and New York University reproduced the deployed system's 29.5% pass@2 score on the public ARC-AGI-1 evaluation set. The auditors evaluated the system under a documented protocol without access to model weights."

（Bielikおよびニューヨーク大学の共著者による独立したブラックボックス監査が、公開ARC-AGI-1評価セットにおいて、実運用システムの29.5% pass@2スコアを再現した。監査担当者は、モデルの重みにアクセスすることなく、文書化されたプロトコルのもとでシステムを評価した）

この独立監査チームはさらに、ConceptARCという別のベンチマークと、独自に作成した評価セットでもBDH-CQを評価している。本文のTable 1によれば、ConceptARC（意味のある識別子を使う設定）ではpass@1 45.63%・pass@2 59.38%、識別子を意味のない記号に置き換えた設定でもpass@1 45.00%・pass@2 60.00%と、ARC-AGI-1本体（pass@2 29.50%）よりかなり高いスコアが出ている。ConceptARCは16の「概念ファミリー」（各10タスク）に分かれており、家族ごとの成績には大きなばらつきがあった。正答率が特に高かった／低かった概念ファミリーを表にすると次の通り（いずれも10タスク中の正解数）。

ただし論文自身が「1ファミリーあたり10タスクしかないため、これはランキングというより傾向のプロファイルとして扱うべきで、9/10と2/10のWilson信頼区間は大きく重なる」と、少ないサンプル数からくる不確実性を明記している。

PathwayのSudoku・BABILongでの追加ベンチマーク

BDH-CQは、開発元Pathwayが以前発表した「Dragon Hatchling（BDH）」という、Transformer以降の系列モデルアーキテクチャの流れをくむ。論文はBDHを「高次元の正の活性化・低ランクの通信・再帰的な連想状態を中心に据えた設計」と説明し、「脳に着想を得ているが、脳を模倣したものではない。局所的な相互作用・疎な活動・持続的な状態・継続的な調整という、生物学が正しく実現している原理を借りて、現代の系列モデルに応用したもの」だとしている。

Pathwayの公式サイトでは、同じBDH系列のモデルによる、ARC-AGI-1以外のベンチマーク結果も紹介されていた。

• Sudoku Extreme: 約25万問の数独パズルに対し、chain-of-thoughtもバックトラックも使わずに97.4%のトップ1正答率。サイトは「比較で評価した主要な推論LLMは、約0%のスコアだった」としている
• BABILong（長文脈の中に散らばった事実から推論するベンチマーク）: 134Mパラメータのモデルで、QA1〜QA5において32Kトークンの文脈で95%、128Kトークンの文脈で82%。ただしサイト自身が「汚染チェック・独立検証・リーダーボード審査が完了していない結果」と明記している

「比較で評価した主要な推論LLM」が具体的にどのモデルを指すのか、Sudoku Extreme自体の出典・作成経緯については、公式サイトのこのページの記載だけでは特定できなかった。

前身アーキテクチャ「Dragon Hatchling」の原論文も確認した

BDH-CQ論文が「BDH provenance（BDHの由来）」として引用している前身論文（Kosowski et al., arXiv:2509.26507「The Dragon Hatchling: The Missing Link between the Transformer and Models of the Brain」）のAbstractも直接確認した。

"BDH is a practical, performant state-of-the-art attention-based state space sequence learning architecture. [...] It exhibits Transformer-like scaling laws: empirically BDH rivals GPT2 performance on language and translation tasks, at the same number of parameters (10M to 1B), for the same training data."

（BDHは実用的で高性能な、注意機構ベースの状態空間系列学習アーキテクチャだ。Transformerに似たスケーリング則を示し、同じパラメータ数（1000万〜10億）・同じ訓練データで、言語・翻訳タスクにおいて経験的にGPT2に匹敵する性能を発揮する）

つまりBDH-CQの土台にあるBDHというアーキテクチャ自体は、今回の論文とは別に2025年に発表され、GPT2相当の性能を主張する独立した先行研究であり、BDH-CQはその上に「文脈内学習＋再帰的な潜在推論」という要素を組み合わせたもの、という位置づけになる。この前身論文自体の主張（GPT2に匹敵する等）を本記事が独自に検証したわけではない。

Sudoku Extremeの出典とBABILongの独立検証結果は未確認のまま

• Pathwayの公式サイトが挙げるSudoku Extreme・BABILongの数字は、この記事の執筆時点では「独立検証・リーダーボード審査待ち」とサイト自身が明記しているものも含まれる。本記事では、これらの数字がその後どう検証されたかまでは追跡していない
• ConceptARCの「9/10」「2/10」という概念ファミリー別の成績は、論文自身も指摘する通りサンプル数10件と少なく、統計的に安定したランキングとしては扱えない。本記事もこの限界をそのまま引き継いでいる
• Bielik・ニューヨーク大学による独立監査の「文書化されたプロトコル」の具体的な中身（どんな手順でブラックボックス評価したか）までは、本記事では確認していない
• 「高次元の潜在空間」の具体的な次元数、再帰的メモリの更新アルゴリズムの数式レベルの詳細までは、本記事では踏み込んでいない
• Zenn記事検索（2026年8月27日実施）では、「BDH-CQ」に該当する日本語記事は見つからなかった

関連記事

• LLMベンチマークの読み方──MMLU・HumanEval・Arenaの注意点【2026年版】
• AIエージェントとは──指示に答えるAIと、仕事を進めるAIの違いをわかりやすく整理する
• ローカルLLMとは何か──自分のPCでAIを動かす仕組み・利点・始め方を解説