SymbOmni: シンボリック概念学習によるエージェンティック・オムニモデルの進化

人工知能の分野において、視覚生成モデル（テキストから画像・動画への合成やマルチモーダルインタラクティブ作成など）は急速に普及しています。しかし、これらのモデルには根本的な欠点があります：累積的に学習し、自律的に進化することができないという「永遠の初心者」問題です。各タスクが毎回ゼロから始まり、経験を構造化して再利用可能な知識にするメカニズムがないため、脆い推論、構成的一般化の貧弱さ、知識保持の非効率性が生じます。

この限界を克服するために、複数の研究機関からなるチームがSymbOmniを提案しました。これはシンボリック概念学習を通じて累積的進化を実現するエージェンティック・オムニモデルです。中心となるのは「シンボリック概念ボックス」と呼ばれる最適化可能なメモリモジュールであり、低レベルの操作を再利用可能なシンボリックワークフロー命令に抽象化します。モデルは帰納-変換サイクルで動作します：まず経験をシンボリック概念に抽象化し（帰納）、次にこれらの概念を新しいタスクに適応的に組み合わせます（変換）。このサイクルにより、モデルは知識を継続的に蓄積し改善することができ、新しいタスクごとにゼロから始める必要がありません。

SymbOmniの訓練手法も革新的です。従来の勾配ベースの微調整ではなく、言語ベースのフィードバックを利用した「言語化逆伝播」を採用しています。これにより、コストのかかる勾配計算を必要とせずにモデルが自己改善できます。研究者らは広範な実験を通じてSymbOmniの性能を検証しました：

• 反復的作成タスクにおいて、SymbOmniは既存のエージェントベースシステムを大幅に上回り、Nano BananaやGPT-Image-1などのクローズドソースモデルをも凌駕し、画像品質とタスク成功率の両方で優れた結果を示しました。
• シンボリック知識の再利用により、ベースラインと比較してトークン消費量が40%以上削減されましたが、生成品質は維持されました。
• 複数のオンライン学習ベンチマークにおいて、SymbOmniは累積的利得を示し、継続学習で新たな最高水準を達成しました。

これらの成果は、シンボリックな知識管理によってAIモデルが「永遠の初心者」の呪縛から解放され、より自律的で効率的な進化が可能になることを示しています。SymbOmniは継続学習能力を持つインテリジェントシステム構築のための新しいパラダイムを提供します。本論文はECCV 2026に採択され、49ページ・10図から成り、プロジェクトページも公開されています。