百万ステップのLLMタスクをエラーゼロで解決する

Solving a Million-Step LLM Task with Zero Errors

November 12, 2025

著者: Elliot Meyerson, Giuseppe Paolo, Roberto Dailey, Hormoz Shahrzad, Olivier Francon, Conor F. Hayes, Xin Qiu, Babak Hodjat, Risto Miikkulainen

cs.AI

要旨

大規模言語モデル（LLM）は推論・洞察・ツール利用において画期的な進展を遂げてきたが、人間や組織、社会が日常的に実行する規模に匹敵する長大なプロセス連鎖を実現することは未だ困難であった。モデルには拡張を阻む持続的なエラー率が存在する。例えばハノイの塔を題材とした最近の実験では、プロセスが数百ステップ以内に必ず脱線することが示されている。このため、LLM研究では現在も論理的依存ステップが比較的少ないタスクで評価されることが多い一方、長大なタスクを実行するLLMの能力（あるいは不能）への関心が高まっている。本論文では、100万ステップを超えるLLM処理を誤りゼロで成功させ、原理的にはさらに大規模なスケールに対応可能な初のシステム「MAKER」を提案する。このアプローチでは、タスクを極限まで細分化し、各サブタスクを専門マイクロエージェントに担当させる。分解による高度なモジュール性により、効率的なマルチエージェント投票システムを通じて各ステップで誤り修正が可能となる。この極限分解と誤り修正の組み合わせがスケーリングを実現する。したがって、現行LLMの継続的改良に依存するのではなく、大規模分解型エージェントプロセス（MDAP）が組織や社会レベルの課題を効率的に解決する道筋となり得ることが示唆される。

English

LLMs have achieved remarkable breakthroughs in reasoning, insights, and tool use, but chaining these abilities into extended processes at the scale of those routinely executed by humans, organizations, and societies has remained out of reach. The models have a persistent error rate that prevents scale-up: for instance, recent experiments in the Towers of Hanoi benchmark domain showed that the process inevitably becomes derailed after at most a few hundred steps. Thus, although LLM research is often still benchmarked on tasks with relatively few dependent logical steps, there is increasing attention on the ability (or inability) of LLMs to perform long range tasks. This paper describes MAKER, the first system that successfully solves a task with over one million LLM steps with zero errors, and, in principle, scales far beyond this level. The approach relies on an extreme decomposition of a task into subtasks, each of which can be tackled by focused microagents. The high level of modularity resulting from the decomposition allows error correction to be applied at each step through an efficient multi-agent voting scheme. This combination of extreme decomposition and error correction makes scaling possible. Thus, the results suggest that instead of relying on continual improvement of current LLMs, massively decomposed agentic processes (MDAPs) may provide a way to efficiently solve problems at the level of organizations and societies.