「Gemini Plays Pokemon」が一度も負け戦なくポケモンクリスタルを攻略した後、人間を完全に外した自己改善ハーネス「Continual Harness」の論文を読む

3行まとめ

1. arXiv論文（2605.09998、投稿日2026-05-11）は、コーディング向けのハーネス（Claude Code、OpenHandsなど）に相当するものが、身体性を持つエージェントの長期・部分観測な意思決定にはまだ存在しない、という問題意識から出発する。まず著者らの前身実験「Gemini Plays Pokemon（GPP）」を報告し、GPPは2025年5月に『ポケモン青』、8月に『イエローレガシー(ハードモード)』、11月に『クリスタル(終盤で負け無し)』を完全攻略した最初のAIシステムになったと、論文本文(4.2節)に明記されている。
2. GPPの最も難しい局面では、エージェント自身が長文脈記憶を通じて戦略を反復し始め、人間による手動改善と並行して「自発的な自己改善のシグナル」が現れたという。Continual Harnessは、この人間を完全にループから外し、リセット不要で自らのプロンプト・サブエージェント・スキル・記憶を実行と並行して磨く仕組みを、後付けで形式化・自動化したもの。
3. ポケモン赤・エメラルドをフロンティアモデル横断で走らせた実験では、Continual Harnessは「ゼロから」でもボタン押下コストを最小限主義ベースラインより大幅に削減し、手作りの専門家ハーネスとのギャップの大部分を埋めたと論文は報告している（利得の大きさはモデルの能力に依存する、との注記付き）。

コーディングハーネスには相当品があるが、身体性エージェントには無い

論文のAbstractは、Claude CodeやOpenHandsのような「コーディングハーネス」が基盤モデルをツール・記憶・計画で包む一方、「身体性を持つエージェントの長期・部分観測な意思決定には、それに相当するものが存在しない」という空白から出発する。長期的に動くエージェントは、たとえ構成要素のステップを個別に解けるモデルであっても、可変な状態を見失ったり、過去の実行から得た教訓を再活性化できなかったり、既知の手順を飛ばしたり、早期に停止したりする、という問題意識だ（この一文はPrime Agent・StateM双方の論文とも共通する着想であることが、著者の重なり方からも見て取れる）。

Gemini Plays Pokemon──人間が手動で改善したハーネス

論文はまず、著者らの前身実験「Gemini Plays Pokemon（GPP）」を報告している。Abstractは次のように述べている。

With iterative human-in-the-loop harness refinement, GPP became the first AI system to complete Pokemon Blue, Yellow Legacy on hard mode, and Crystal without a lost battle.

Abstractのこの一文だけでは「クリアした対象」の区切り方が確定できなかったが、論文本文4.2節(Gemini Plays Pokémon completes multiple RPGs)には次のように、対象タイトルと達成月が明記されていた。

Our GPP project ran Gemini models live through Pokémon Blue (May 2025), Yellow Legacy on hard mode (August 2025), and Crystal without a lost end-game battle (November 2025), making GPP the first AI system to complete multiple Pokémon RPGs.

（GPPプロジェクトはGeminiモデルをライブで走らせ、ポケモン青(2025年5月)、イエローレガシーのハードモード(2025年8月)、クリスタル・終盤バトル無敗(2025年11月)を攻略した。これによりGPPは複数のポケモンRPGを完全攻略した最初のAIシステムになった）

つまり3タイトルはそれぞれ別の月に個別に達成されたもので、「Crystal without a lost battle」は正確には「終盤(end-game)のバトルを一度も落とさずに」という限定付きの達成であり、ゲーム全編を通じて一度も負けなかったという意味ではない。もっとも難しい局面では、エージェント自身が長文脈記憶を通じて自らの戦略に対する反復を始め、人間によるループ内改善と並行して「創発的な自己改善のシグナル」が表面化した、と論文は述べている。青世代のGPPハーネスは「Pathfinder Agent」「Boulder Puzzle Strategist」のような手作りの専門エージェントに頼っていたが、イエローレガシー以降はこれらをdefine_agent・run_code・ノートパッド編集という汎用スキルに置き換え、モデル自身にハーネスを組み立てさせる方式に切り替えたという。この過程で、autopress_buttonsというサンドボックスの抜け道を汎用のpress_sequenceプリミティブとして再利用したり、「Operation Zombie Phoenix」のような固有名の付いた多段階バトル戦略を編み出したりする、指示されていない挙動も見られたと論文は報告している。

Continual Harness──人間を完全にループから外す

Continual Harnessは、このGPPで観測された現象を「人間を完全にループから外して」形式化・自動化したものだ。Abstractは次のように説明している。

Starting from only a minimal environment interface, the agent alternates between acting and refining its own prompt, sub-agents, skills, and memory, drawing on any past trajectory data. Prompt-optimization methods require episode resets; Continual Harness adapts online within a single run.

（最小限の環境インターフェースだけから出発し、エージェントは行動することと、自らのプロンプト・サブエージェント・スキル・記憶を、過去の軌跡データを何でも参照しながら磨くことを交互に行う。プロンプト最適化手法はエピソードのリセットを要するが、Continual Harnessは1回の実行の中でオンラインに適応する）

この「エピソードリセット不要」という点は、GEPAのような反射的プロンプト進化が基本的に評価・訓練セットを分けて反復するのとは異なるアプローチであることを示している。

ポケモン赤・エメラルドでの実験結果

論文は、ポケモン赤とエメラルドをフロンティアモデル横断で走らせた実験を報告している。Abstractによれば、「Continual Harnessをゼロから始めた場合でも、最小限主義ベースラインに対してボタン押下コストを大幅に削減し、手作りの専門家ハーネスとのギャップの大部分を、能力に依存する利得の大きさで埋めた」という。使われたのは同じ生インターフェース（キュレーションされた知識なし、手作りツールなし、ドメイン固有の足場なし）で、これは比較の公平性を保つための条件だと読み取れる。

さらに論文は「モデル自身とループを閉じる」実験にも触れている。オンラインのprocess-reward共学習ループで、洗練するハーネスを通したオープンソースエージェントのロールアウトをフロンティアの教師モデルがリラベルし、それをモデルの更新に使うことで、環境をリセットせずにポケモン赤でのマイルストーン進行が持続的に進んだ、とAbstractは報告している。論文本文4.5節によれば、この教師モデルは「Gemini-3.1-pro」で、生徒側はGemma-4(E2B・E4B・26B MoE・31B dense)だった。

使用モデルと、モデル能力に依存する効果の実測値

論文4.1節(Setup)には、実験に使ったモデル群が明記されている。フロンティア側は「Gemini 3」のPro・Flash・Flash-Liteの3バリアント、オープンソース転移実験(4.5節)ではGemma-4のE2B・E4B・26B MoE・31B denseを使ったという。評価環境はポケモン赤とエメラルドで、PokeAgent Challengeの標準マイルストーン評価(累積ボタン押下数が主指標)を使っている。

4.4節(Continual Harness gain depends on model capability)には、エメラルドでのコスト対達成率のPareto分析として、次の数値が報告されていた。

Proモデルでは、Continual Harnessがゼロからでも最小限ハーネスに対して「完全にPareto支配的」(同等以上の達成率をより低コストで達成)で、コストにして約40%の削減を無損失で実現したと論文は述べている。一方Flash-Liteという最も能力の低いモデルでは、Continual Harnessの全バリアントが最小限ハーネスより悪化しており、論文は「ハーネスの利得を得るには、モデルがハーネスの構成要素を十分に活用できることが必要」と結論づけている。つまりContinual Harnessは万能ではなく、モデルが弱いとむしろ足を引っ張る場合がある、という否定的な結果も論文自身が明記していた。

著者の所属機関とPrime Agentとの関係

arXiv HTML版のマークアップと、著者Seth Karten氏本人の公式プロジェクトページ(sethkarten.ai/continual-harness/)を突き合わせると、8名の著者の所属機関が確認できた。

(*は筆頭著者2名がEqual contributionである旨の注記)

Joel Zhang氏の所属が大学ではなく「ARISE Foundation」という財団になっている点は、この記事の確認範囲(プロジェクトページの脚注表記)からは、それ以上の詳細(ARISE Foundationがどのような組織か)を裏付けられていない。

論文本文は英語のまま抽出して読んでおり、和訳精度の検証はしていない

筆者は今回、arXiv abstractページに加えて、HTML版の論文本文(71,000字超のテキスト)を実際に取得し、4.1〜4.5節の数値・著者所属・GPP攻略の時系列を裏取りした。ただし、論文の付録(Appendix A〜D、ポケモン環境インターフェースの詳細やスキル自己改善の技術的な仕組みなど)、図表そのもの(Figure 3〜7の画像)、数式部分は本文テキストの抽出過程で読み飛ばしており、この記事では扱っていない。英語の論文本文を日本語に要約・翻訳する過程で生じうる訳のズレについて、第三者によるチェックは受けていない。GPPが「負け戦なしでクリアした最初のAIシステム」だという主張、および表中のコスト・達成率の数値は、いずれも著者ら自身の論文に基づくもので、第三者による再現・検証記事は今回の調査範囲では見つけられなかった。Zenn記事検索では「Continual Harness」という文字列の該当記事はこの記事作成時点で見当たらなかった。

関連記事

• ARC-AGI-3のBest@1を30%から95.5%に押し上げたPrime Agent
• DSPyの裏側にある「GEPA」を読む