現代のコーディングエージェントは、専門化されたサブタスクをサブエージェントに委任することが増えている。これらのサブエージェントは、検索、デバッグ、ターミナル実行などの狭い責任を処理する、より小さく焦点を絞ったエージェントループである。このアーキテクチャパターンは、冗長な出力（ビルドログ、テスト結果など）をサブエージェントのコンテキストに分離することで、メインエージェントのコンテキストウィンドウをクリーンに保つ。通常、エージェントがこのようなタスクにサブエージェントを使用する場合、Claude Sonnet、Opus、GPT-5.3-Codexなどのフロンティアモデルを採用するが、これらのモデルはコストが高く、コンテキストが長くなると効率が低下する可能性がある。
最近の論文で、Spandan Garg、Vikram Nitin、Yufan Huangの研究者らは、ファインチューニングされた小型言語モデル（SLM）がエージェント型ターミナル実行タスクにおいてフロンティアモデルと同等の性能を達成できるかどうかを調査した。彼らは、Qwen3-4Bをベースに、教師ありファインチューニング（SFT）とルーブリックベースのLLM-as-Judge報酬を用いた強化学習（RL）を施したTerminus-4Bを提案する。この手法では、事前定義された評価基準に従って別のLLMがサブエージェントの出力品質を評価し、モデルの最適化を導く。
研究チームは、さまざまなフロンティアモデル、訓練アブレーション、メインエージェント構成にわたる広範な評価でTerminus-4Bをテストした。SWE-Bench Proベンチマークと、内部で構築したSWE-Bench C#ベンチマーク（コンパイルやテスト実行などの冗長なターミナルタスクが多い）を使用した。実験の結果、サブエージェントなしのベースラインと比較して、Terminus-4Bはメインエージェントのトークン使用量を最大約30%削減し、両ベンチマークでのエージェント性能に影響を与えないことがわかった。これは、計算コストを大幅に削減しつつ、ハイエンドモデルと同等の精度を維持できることを意味する。
さらに、Terminus-4Bは、メインエージェントがサブエージェントの出力に依存し、自ら実行するターミナルタスクが減少するという重要な指標を改善した。研究者らは、このモデルがVanilla Qwenモデルとフロンティアモデル（Claude Sonnet/Opus/GPT-5.3-Codex）とのギャップを埋めるだけでなく、多くの場合それらを凌駕する性能を示すことを観察した。例えば、SWE-Bench Proでは、Terminus-4Bの修正率がClaude SonnetやOpusを上回った（Claude Opusはコーディング分野でトップクラスとされる）。この発見は、適切に訓練された小型モデルが特定のエージェントタスクにおいて高価なフロンティアモデルを代替できる可能性を示唆しており、より効率的でコスト効果の高いAIシステムへの道を開くものである。
この研究の潜在的な影響は広範囲に及ぶ。まず、モデル選定戦略が変わり、汎用大モデルよりも特化型小モデルを好む傾向が強まる可能性がある。次に、小モデルの運用コストが低いため、推論コストの大幅な削減が期待できる。第三に、複数のサブエージェントの協調により製品能力が向上する可能性がある。最後に、既存の評価ベンチマークは、特定タスクにおける小モデルの競争力を反映するように再調整される必要があるかもしれない。ただし、この研究はターミナル実行タスクのみに焦点を当てており、他のタイプのサブタスク（検索やデバッグなど）にも同様に適用できるかどうかは、さらなる検証が必要である。