マルチモーダル知能は、人間の導きの下で世界とエージェントが相互作用を通じて共進化するプロセスとして捉えることができる。しかし、このプロセスをスケールさせるには二つのボトルネックがある。一つは異種で検証可能な環境の構築コストが高いこと、もう一つは手作業によるHarnessの反復がタスクの多様性と複雑性の増大に追いつけないことである。arXivに投稿された新論文「The Trinity: Capability-Driven Recursive Self-Improvement for Multimodal Agents」は、この二つの課題に対処する再帰的自己改善フレームワークを提案している。
論文の鍵となる洞察は、異なるモダリティや表面形式を持つタスクでも、その根底にある能力要件は共有され得るという点である。この観察に基づき、著者らはタスク編成の基盤を表面的なカテゴリから共有要件へと移すことを提案する。フレームワークは三つの役割、すなわちCreator、Explorer、Evolverを通じて世界生成とHarness進化を結合する。Evolverは検証済みの実行軌跡を利用して、元のタスクツリーを階層的な能力ツリーへと再編成し、タスクの分類をモダリティや形式ではなく要求される能力に基づかせる。
さらに論文は「能力駆動型Real2Sim2Real」を導入する。能力ツリーの同一ノードにある異種タスクについて、Creatorはそれらの共通要件を抽象化し、能力学習のための簡略化された検証可能なシミュレーション世界を構築する。その後、元のタスクでの評価によって転移効果を測定する。この能力ツリーに沿って、Explorerは選択的継承を通じて再利用可能な能力モジュールを段階的に進化させ、Harnessツリーを形成する。検証済みの更新は固定トポロジー内で反復を跨いで蓄積される。こうして得られたHarnessは異なる能力に特化するため、公開されたタスク情報を用いてツリーから互換性のあるモジュール構成を選択する「能力認識型Harnessルーター」が動機づけられる。
実験結果によれば、進化したHarnessは28の訓練ベンチマークで平均性能を34ポイント、18の未見ベンチマークで26ポイント向上させ、その中には二つの実世界具身タスクも含まれる。本論文はWeidong Tang氏ら20名の著者によるもので、2026年10月26日に投稿され、人工知能（cs.AI）とコンピュータビジョン・パターン認識（cs.CV）の交叉領域に位置づけられている。