Interop Tokyo 2026

「AIコーディング」がたった5年で急進化したワケ　NTT「tsuzumi 2」開発者が分析（2/2 ページ）

公開 2026年06月18日 08時01分

更新 2026年06月19日 10時06分

著者

石井徹

[ITmedia]

印刷する

“問題集”が無限に作れるように

　次いで登場したインストラクションモデルは、学習に当たって数万～数十万件規模の「問題集」を解かせる必要があった。ベースモデルのように人手で集めるのは難しくなり、問題作り自体をLLMに任せる手法が主流になった。

　この段階ではコード特有の性質が活きた。自然言語と違い、正しさをテストで機械的に検証できるため、量産が容易だったのだ。

　例えば「SelfCodeAlign」と呼ばれる手法では、まずソースコードの断片から「関数定義」「引数」といった概念をLLMに抽出させる。その概念を基に新しい問題を作らせ、回答とテストケースの両方を生成させた後、実行環境で動かし、テストを通過したものだけを問題集に採用する。

　結果、約24万6000件のコード片から、検証済みの問題が約5万件できた。風戸さんは「ソースコードの切れっ端を入力するだけ」で問題集が作れると説明する。

SelfCodeAlignの処理フロー。コード片から概念を抽出し、問題・回答・テストを生成して検証する

ベンチマークも「タスクの解決能力」を見るように

　そして推論モデルは、単にコードを書くだけでなく、仕様やテスト結果を読み解きながらバグを直す作業もこなせるようになった。

　これに伴い、評価の主戦場もタスクの解決能力に移っている。例えばベンチマーク「SWE-Bench」では、GitHub上で実際に行われたバグ修正の課題（Issue）を使ってLLMに修正パッチを作らせ、人間が用意したテストで検証する。約2000問あるが、問題文やテストの品質にばらつきがあるため、OpenAIらが全問を人手で精査し、500問に絞った「SWE-Bench Verified」が広く使われているという。

　一方で、学習データを作る側には逆転の発想が生まれた。論文「SWE-Synth」では、リポジトリ上のコードの一部を隠してLLMに書き直させるアプローチが提案された。この方法を使えば、元のコードとは違う、いかにも人間がやりそうなミスを含んだコードが出てくる。視点を変えれば、このバグ入りコードとテストのログが問題で、変更を元に戻すパッチが正解──という学習データを量産できるわけだ。