何が起きたか
- Meituan傘下のLongcatのチームが、2026年10月15日にarXivでData Worldを発表した。コードでデータを分析するエージェントのための訓練環境を作り出すエンジンだ。
- 通常とは逆の手順で動く。まず土台となる世界を定め、そのうえで明示的な仕組みからファイル、タスク、評価基準を生成する。独立した監査で、答えがファイルから復元できることが確認される。
- このエンジンで、1,037の異なる世界から2,135件の訓練タスクが作られた。人手による選別で、DataWorld-Bench用に、保持した50の世界にまたがる100件のタスクと16の領域が残った。
- 強化学習をゼロから行い、他のモデルの軌跡を蒸留することなく、Qwen3.6-35B-A3Bを出発点にDataWorld-35B-A3Bを訓練した。
なぜ重要か
- 訓練データは、実在のどの企業からも来ていない。要旨は、従来の方法の問題として、環境を整えるコストと、プライバシーや知的財産の制約を挙げている。機密データを抱えていて共有できない人にとって、架空の世界で訓練するのは、この形では存在しなかった選択肢だ。
- ベースモデルに対する改善幅は次のとおりだ。DataWorld-Benchで+7.06、DACompで+14.28、DABstep-Hardで+20.90、JobBenchで+12.13。4つのベンチマークのうち3つはチーム自身のものではなく、それは助けになる。残る1つはチーム自身のものだ。
- 10のフロンティアモデルを評価したところ、すべてに、計算することと解釈することの間の隔たりがある。計算は解けるのに、結論を引き出す段階でつまずく。チリのチームがエージェントに「売上を分析して」と頼めば、読み解きの前に表が返ってくる。
数字で見る
+20.90ポイント：DABstep-Hardでの、DataWorld-35B-A3Bのベースモデルに対する改善幅。報告された4つのテストのなかで最大の跳ね上がりだ。
背景
読んだのは論文の要旨で、全文ではない。最近のほかのベンチマークも、計算ではなく判断力という同じ弱点を指している。Taste-BenchはAIエージェントの判断力を測る、メールエージェントは実行はうまくても失敗する。
今後
- 要旨では、著者らはモデルやデータの公開日を示していない。
- 期限は発表されていない。
まとめ
架空の世界で訓練すれば、実際のデータをさらさずに済む。残る問いは、架空の世界で学んだことが、実際のファイルが雑然としているときにも通用するかどうかだ。
出典
- Data World: Scaling Data Environments from Scratch、arXiv 2610.21656、2026年10月15日。
編集：Rodrigo Cornejo。選定と検証の方法：ノートを書いているのは誰か。
