大規模言語モデル（LLM）は汎用タスクで高い性能を示す一方で、高品質なドメイン固有データなしには専門分野への適応に苦戦することが多い。既存のLLMベースのデータキュレーション手法は主に人間が設計したワークフローに依存しており、LLMがモデル特化のためのエンドツーエンドのデータエンジニアリングパイプラインを自律的に実行できるかどうかは未検討のままであった。そこで新しい論文は「自律型エージェントデータエンジニアリング」を新たなタスクとして定式化し、LLMを自律データエンジニアとして評価し、エンドツーエンドのデータキュレーションを通じてモデル特化を推進する能力を測定することを目的としている。
この研究ではデータを最適化可能なコンポーネントとして捉え、エージェントが複数のドメインにわたって訓練データを計画・生成・反復的に最適化する様子を、訓練後の性能向上を指標として調査している。実験の結果、自律型LLMデータエンジニアは顕著な成果を上げた。具体的には、GPT-5.2が構築した訓練カリキュラムにより、学生モデルは57.29%向上した。この改善は、人間が設計したプロセスに頼らず、反復的でエージェント駆動のデータ適応のみを通じて達成されたものである。
論文はYujie Luo氏ら13名の著者によって執筆され、2026年5月28日に投稿された。計算と言語（cs.CL）に分類され、人工知能（cs.AI）、情報検索（cs.IR）、機械学習（cs.LG）にも関連している。著者らは、この研究が自律データエンジニアリングの可能性とボトルネックの両方を明らかにし、自律データエンジニアリングを測定可能な能力として確立するとともに、エージェント駆動のモデル特化への道筋を示すと述べている。コードはGitHubで公開される予定である。
本研究は「進行中の作業」とされており、今後さらなる発見が期待される。その意義は、LLMを自律データエンジニアとして評価する初の体系的な試みであり、57.29%という定量的な改善をベースラインとして提供する点にある。これにより、訓練データを自律的に設計・最適化できるより強力なエージェントの開発に向けた基盤が築かれるだろう。