一時停止の標識を見分けるようモデルに教えるのは簡単です。それが何かについて誰もが同意しているからです。一方、健康的な食べ物、心を動かす芸術、誤解を招く広告を見分けるよう教えるのは難しくなります。指示を出す本人でさえ、難しい例を目にするまで自分の線引きがどこにあるのか分からないことが多いからです。CVPR 2026で発表され、オープンソースのコードとして公開されたGoogle ResearchのAgile Deliberationは、この問題を中心に作られており、コンテンツの規則を作る人や大量の画像を選別する人に関係があります。
手法は2段階です。まず利用者が大まかな概念を、含むものと含まないものに分けます。健康的な食べ物の例では、サラダ、穀物ボウル、低脂肪のたんぱく質を含め、加工食品と調理していない生の食材を除外しています。次にシステムが、その文章による定義の境界にある画像を探します。たとえば生の果物でありながら糖分も多いフルーツスムージーです。利用者が一つずつ判断すると、自動のループが分類器のプロンプトをそれに合わせて書き直すため、定義と分類器が一緒に変わっていきます。
研究は1回90分のライブセッション18回で行われ、健康的な食べ物と、誤解を招く金銭的またはデジタルな報酬を約束するゲームの釣り画像を対象とするモデレーション作業の2つの概念を扱いました。比較対象は、一度だけ書いたプロンプト、利用者に尋ねずに概念を分解するGoogleの以前のシステム、そして表計算ソ フト、当て推量の検索、手作業でのプロンプト編集による手動の手順です。ブログによると、Agile Deliberationの分類器は3つすべてを上回り、最も難しい画像で改善幅が最大でした。手作業の編集では正確さが向上しないか、むしろ悪化することが多かったとしています。労力とストレスは有意に下がり、参加者全員が手動の方法よりもこちらを好みました。
実務的に重要なのは、手作業の編集についての発見です。現在多くのチームは、視覚言語モデルに画像を分類させるために長いプロンプトを書き、失敗が出るたびに一つずつ修正し、そのたびに別の部分が壊れないかを心配しています。Agile Deliberationは、優れたモデレーターがすでに行っている、厄介な事例でルールを試すという作業を形式化し、その事例探しを人ではなくツールに任せます。コードは、健康的な食べ物の例のデモノートブックとともに、Googleのgoogle-researchリポジトリにあります。
証拠には弱い部分もあります。ブログには正確さの数値がなく、グラフと説明だけです。また何人の異なる人が参加したのか、一部が専門家だったこと以外にどんな人だったのかも書かれていません。あらゆる主観的なカテゴリーを対象とする手法にとって、2つの概念は狭い検証です。使われたモデルの名前も示されておらず、結果がGoogle自身のシステムにどの程度依存しているかは不明です。詳細は論文にありますが、他の人々が自分たちのルールで試すまでは、確立したものではなく有望な作業手順と見るべきでしょう。