48時間で2つのエージェントハーネスが登場、そして正反対の賭けをした(2026)
By Surya Pratap
2026年8月7日
11 min read
AI & Technology
2026年8月7日
11 min read
8月5日、MetaはMuse Codeを公開しました。ターミナルで動くコーディングエージェントで、エージェント自体と一緒に訓練したモデルMuse Spark 1.2で動きます。8月6日、Prime IntellectはPrime AgentをMITライセンスでオープンソース化しました。指定したどのモデルでも動くよう設計されたハーネスで、Opus 5を組み合わせてARC-AGI-3で95.5%を記録しています。
どちらのリリースも、本質的にはモデルの話ではありません。どちらもモデルを包む足場の話です。コンテキストをどう管理するか、サブエージェントをどう起動するか、クラッシュ後に何が残るか、タスクの途中でエージェントが自分自身の何を変えてよいか。これは名前を付けておくべき変化です。この2年間、注目のリリースはチェックポイントであり、創業者の問いはどのモデルにルーティングするかでした。この2つのリリースは、残る伸びしろはもうモデルにはないと言っているのです。
この2つが本当に役立つのは、前提では一致し、結論では完全に対立しているからです。一方は、ハーネスはポータブルで自分たちで所有すべきだと言います。もう一方は、ハーネスはモデルがその中で訓練されて初めて機能するので、ラボが所有すべきだと言います。どちらかの側を選ぶことになるので、議論を理解しておく価値があります。
Prime Agentは2つのアイデアの上に作られていて、どちらもはっきり説明しておく価値があるほど珍しいものです。
1つ目はRecursive Language Modelです。コンテキストを、いっぱいになったら切り詰められるウィンドウとして扱うのではなく、永続的なIPythonカーネルの中の変数として扱います。モデルは組み立て済みのプロンプトを渡されるのではなく、自分の履歴に対して検索し、切り出し、一部を要約するコードを書きます。サブエージェントへの委任は特別なオーケストレーション層ではなく、同じREPLの中の関数呼び出しです。LangGraphでスーパーバイザーノードを書いたことがあるなら、同じ問題を1段下で解いたものだと分かるでしょう。あなたが配線するのではなく、エージェントが自分で委任をプログラムするのです。
2つ目はContinual Harnessです。プロンプト、スキル、メモリ、サブエージェントの定義は、エージェントが自分の実行の中から作成、読み取り、更新、削除できる状態として扱われます。/refineコマンドはそれまでの軌跡を分析し、その状態への的を絞った変更を提案します。変更はブロックしないようバックグラウンドで計画され、ターンの区切りで適用され、根拠に基づき、ロールバック履歴によって元に戻せます。限定的かつ監査可能な意味で、エージェントは作業しながら自分の足場を書き換えているのです。
見出しになる数字は、Opus 5でのARC-AGI-3におけるRHAE Best@1が95.5%で、ARCが報告する人間の専門家の基準値95.4%を上回ったことです。各回の結果は95.0、95.2、95.5で、偶然の当たりではなく安定した結果です。Best@3では99.97%に達し、183レベルすべてを完了しています。Prime Intellectは、モデル純正のハーネスよりトークン効率が良いとも報告しており、こちらのほうがスコアより重要です。
ただし注目すべきはARCの数字ではありません。その下にある比較です。GLM-5.2を動かすPrime Agentは、OOLONG、OOLONG-Pairs、OBLIQ-Bench、LongBenchPro、ManyIHという長いコンテキストのベンチマーク群で、Opus 5を動かすClaude CodeやGPT-5.6 Solを動かすCodexと互角かそれ以上でした。これが独立した検証でも維持されるなら、より良いハーネスに入った中位のオープンモデルが、自社ラボが作ったハーネスで動く最先端モデルに並べるということになります。ベンチマークの記録1つよりはるかに大きな主張です。
デモは較正のために
Prime Agentは参照コードなしでSEGA GenesisとGame Boy Colorの動作するRust製エミュレーターを作り、Factorioでは数時間で10万超の生産スコアに到達しました。これはあらゆるローンチデモと同じように読むべきです。システムが非常に長い一貫した作業を続けられるという証拠であって、あなたのコードベースについての証拠ではありません。エミュレーターや工場ゲームには、あなたのプロダクトにはないものがあります。直前の変更が正しかったかを示す、速くて曖昧さのない自動的なシグナルです。
Metaのリリースは、概念的な新しさでは劣るものの、運用面ではかなり本格的です。Muse CodeはmacOSとLinux向けのベータ版ターミナルエージェントで、シェルコマンド1つでインストールでき、Muse CodeまたはMeta Model APIを通じてMuse Spark 1.2を実行します。ダウンロードできる重みはありません。
実際に使うかどうかにかかわらず、取り入れる価値のある設計判断が3つあります。
追記専用のイベントログ。 モデル呼び出し、ツール実行、承認、編集のすべてがローカルのログに追記されるため、ランタイムは正確に再生でき、安全に再起動できます。エージェントがタスク開始から40分で落ちても、最初からやり直すのではなく止まったところから再開します。これは今回のリリースで最も過小評価されている性質です。本番で長時間のエージェントセッションを回したことがある人なら、痛い失敗は間違った答えではないと知っています。タイムアウトで30分分の蓄積された状態を失い、間違えた瞬間にエージェントが何を信じていたのかを再構成する手段がないことなのです。
常駐するバックグラウンドエージェント。 Muse Codeはタスクごとに新しいサブエージェントを起動するのではなく、非同期のバックグラウンドエージェント群をセッション中ずっと生かしておきます。理由として挙げられているのは、重複した情報収集を避けることです。2つ目のサブエージェントは、1つ目が読んだばかりのリポジトリを読み直しません。オーケストレーションがステップごとにまっさらなエージェントを起動しているなら、ステップごとにその再発見コストを払っていて、それは積み重なっていきます。
承認付きの計画をデフォルトのスキルに。 Muse Codeには、タスクを実行前に承認する計画に変える/plan、計画が持ちこたえるまで追及する/grill、完了まで推し進める/goalが付属しています。コードを1行も書く 前に 計画に対して敵対的なチェックをかけるのは、多くのチームが省いている安価な介入です。
Metaは、Terminal-Bench 2.1(89タスク、5回試行でのpass@1)、DeepSWE v1.1(91リポジトリ、5言語にわたる113タスク)、実際のプルリクエストから作った440タスクの社内ベンチマークで評価し、Grok 4.5、Claude Opus 5、GPT-5.6 Terra、Gemini 3.6 Flash、Kimi K3と比較しました。公表されたMuse Spark 1.2の数字は一次情報源で確認できませんでした。Metaの投稿ではグラフ画像の中にしかないため、ここでは引用しません。目安として、Muse Spark 1.1はTerminal-Bench 2.1で80.0、Qwen3.8-Maxは先週同じベンチマークで86.6を報告しています。評価しやすいのは、モデルが1,000回を超えるツール呼び出しと最大24時間の連続作業でGPUカーネルを最適化した社内実行のほうです。その規模の持続時間はモデルではなく、ハーネスの性質です。
ここが、この2つを単なるニュースの多さではなく興味深いものにしている部分です。
Prime Intellectは自らの限界について異例なほど率直です。解説記事では、さまざまなモデルでPrime Agentを動かす際の摩擦に触れ、Prime Agentやその中核機能を前提に訓練されたモデルは存在しないとはっきり述べています。95.5%は、特に訓練されたことのない作業を、見たこともないハーネスの中で最先端モデルがこなした結果です。同社は残る摩擦を、今いる地点とこのアプローチが到達しうる地点との差として捉えています。
Metaはまさにその差を、逆方向から埋めました。Muse Spark 1.2はツールと一緒に訓練されています。モデルとハーネスは1つの成果物として開発されており、だからこそMetaは24時間のセッションと正確な再生による復旧を約束できるのです。モデルは、その特定のランタイムの中でうまく振る舞うように形作られています。
つまり両者は、技術的な本質では一致しています。モデルとハーネスは結合しており、性能はその結合にある。 対立しているのは、その結合を誰が所有するかです。Prime Intellectの賭けは、オープンでポータブルな自己修正型のハーネスは、どの単独のラボよりも速く改良を積み重ね、いずれモデルはそうしたハーネスに向けて訓練されるようになる、というものです。Metaの賭けは、共同訓練は堀であり、最高のエージェントは常にその中で育ったモデルを持つものになる、というものです。
あなたにとって具体的に重要な理由
ポータブル派の賭けが勝てば、エージェントの足場は長く使える資産になり、モデルの切り替えも安いまま。投資すべきはハーネスです。共同訓練派の賭けが勝てば、足場はその時々でリードしているラボへの一時的な橋渡しにすぎず、投資すべきは移行できる能力です。この2つは今四半期のエンジニアリング判断を変えるので、答えを待つより自分の見方を持っておく価値があります。
今週この数字は但し書きなしで何度も引用されるはずなので、注意点を4つ挙げます。
これを読んでいるチームの大半は、今週ハーネスを乗り換えるべきではありません。ただし、ほぼすべてのチームが両方から取り入れるべきです。
/grillのパターン、つまり計画を作り、実行前にそれを攻撃することで、エージェントが間違った目標に向かって正しいステップを40回重ねるタイプの失敗を捕まえられます。最後に差分をレビューしても、これは捕まえられません。先週、Qwen3.8-Maxのベンチマーク上の弱点は素の知能ではなく(GPQA Diamondの92.6は最先端級)、40ステップにわたって計画を保持し自分の誤りから立ち直る必要がある、長期的なエージェント作業にあると書きました。今週、2つのラボがまさにその弱点を狙ったリリースを出し、どちらもモデルを賢くすることでそれを狙ったわけではありませんでした。
これが持ち越すべきパターンです。見事なデモと、現実のワークロードに耐えるシステムとの間に残る距離は、エンジニアリングで埋められつつあります。耐久性のある状態、再開可能性、コンテキスト管理、学んだことを失わない委任、実行前に誰かが異を唱えた計画。どれもチェックポイントには入っていません。どれも有能なチームなら作れるもので、つまりあなたの手の届くところにあり、次のモデルが出ても優位性は失効しません。
居心地の悪い示唆は、エージェントの成績が振るわないなら、おそらく問題はモデルではないということです。チェックポイントの入れ替えは最も手軽な実験なので、多くのチームが最初に試します。それが数字を動かすことはまれです。ログを作り、委任を直し、計画に異を唱える。モデルを探しに行くのはその後です。
IdeaToMVP Academy
4-week live cohort for founders. Learn to ship AI agents, scope MVPs, and automate your business — taught by the same team that writes these guides.
