Nous Researchは、競技プログラミング向けに設計された140億パラメータのオープンソースモデルNousCoder-14Bを公開した。開発者が、AIシステムがソフトウェア開発のより大きな部分を担えるのかをますます試す中での発表だ。同社によると、このモデルは48台のNvidia B200 GPUで4日間の強化学習を行った結果、LiveCodeBench v6で67.87%の精度に到達した。

発表のタイミングは、Anthropicのエージェント型プログラミングツールであるClaude Codeへの高い注目と重なっている。Claude Codeがソフトウェア作業のエンドツーエンドなデモを集めてきた一方で、Nous Researchは別の道を取っている。モデル、学習環境、評価の仕組みを公開し、他の研究者がシステムを検証したり拡張したりできるようにするのだ。この違いは、ホスト型のコーディングエージェントを採用するか、自分たちの管理下でモデルを運用するかを判断する開発者にとって重要だ。

オープンモデルが混み合うコーディング市場に参入

公開に付随する技術レポートによれば、NousCoder-14BはAlibabaのQwen3-14Bをベースにしている。Nous Researchは、強化学習によってこのベースモデルからLiveCodeBench v6のスコアが7.08ポイント向上し、67.87%に達したと述べている。

LiveCodeBench v6は、2024年8月から2025年5月の間に公開された競技プログラミング問題でモデルを評価する。生成された解答をコンパイルし、既知のテストケースで確認できるため、アルゴリズム的なコーディング能力を測る有用なテストだ。ただし、ソフトウェアエンジニアリング性能の完全な指標ではない。利用可能な証拠だけでは、NousCoder-14Bがリポジトリレベルの変更、複数ファイルにまたがるデバッグ、ツール利用、コードレビュー、自律的なタスク計画でどの程度機能するかは分からない。

この制約は、市場の関心が一回限りのコード生成からエージェント的なワークフローへ移る中で重要だ。モデルは個別のプログラミング問題で優れた成績を出せても、コードベースを読み、ファイルを編集し、テストを実行し、失敗を解釈して、その過程を繰り返すツールと同等とは限らない。ソースの情報からは、NousCoder-14Bがそのような複数ステップの用途に最適化されているかも確認できない。

学習スタックも発表の一部

今回の公開はモデルの重みだけにとどまらない。Nous Researchは、強化学習フレームワークAtropos、学習ハーネス、関連する環境およびベンチマークのコンポーネントも公開した。モデルはHugging FaceでApache 2.0ライセンスの下で利用可能であり、開発者や研究者は、自身のインフラや運用上の制約のもとでシステムをダウンロード、検証、改変できる。

学習プロセスでは、検証可能な報酬が用いられた。モデルがコードを生成し、システムがそれをテストケースに対して実行し、正しいか誤りかという結果がフィードバック信号となった。Nous ResearchはModalを使ってサンドボックス化されたコード実行を並列に行い、生成された解答を時間制限とメモリ制限に照らして確認した。

技術レポートは、チームの実験においてDPOではなくDAPO、すなわちDynamic Sampling Policy Optimizationを好ましい学習手法として説明している。システムは、すべての試行が成功する例やすべて失敗する例を捨てた。どちらも有用な学習信号がほとんど得られないためだ。また、推論、検証、学習を重ね合わせて、解答の確認中もGPUクラスタを稼働させ続けた。

チームは最初に32,000トークンのコンテキストウィンドウで学習し、その後40,000トークンへ拡張した。報告された最良の評価結果は、およそ80,000トークンのコンテキストを使ったものだった。こうした実装上の詳細は、見出しのスコアよりも他の研究者にとって重要かもしれない。再現可能なコード実行と効率的な強化学習パイプラインは、小規模から中規模のコーディングモデルを試す際のハードルを下げうる。

証拠、ベンチマーク、そしてデータの問題

この話で最も強い性能主張は、VentureBeatが伝えるNous Research自身の技術レポートに基づいている。したがって、67.87%のLiveCodeBench v6結果は、入手可能なソース資料にある独立評価ではなく、ベンダー報告のベンチマークだ。専有システムとの比較は慎重に扱うべきで、結果はプロンプト、サンプリング、コンテキスト長、テスト時の計算量、外部ツールの使用可否に左右されることがある。

ただしレポートは、データに関するより実質的な知見も示している。Nous Researchは24,000件の競技プログラミング問題で学習し、これは標準化された形式で容易に入手・検証可能な問題の相当部分を占めると述べた。研究者Joe Liは、この分野がこの狭い領域における高品質データの供給に近づいている可能性があると結論づけた。

この制約は、単により大きなテキストコーパスを集めるという、より馴染みのある問題とは異なる。プログラミング問題には信頼できる解答と自動テストが必要であり、二値の報酬には適していても、大規模に作るのは難しい。レポートは、合成問題生成やself-playを次の段階候補として示しつつ、モデルがなお有用で面白い問題を生成するのに苦戦していることも認めている。

またレポートは、モデルの改善をLi自身のCodeforcesでの進捗と比較している。この類推は学習効率の科学的指標というより、説明のためのものだ。モデルは24,000件の問題を使った一方、Liは比較対象期間に約1,000件を解いており、見かけの速度優位が、はるかに多くの例と自動フィードバックへの曝露に依存していることを示している。

この公開が開発者と企業にとって意味すること

研究者にとって、NousCoder-14Bはコードに対する強化学習を調べるうえで、異例に検証しやすいパッケージだ。チームは報酬プロセスを調べ、サンプリングを変更し、同様の手法が他のプログラミング課題に転移するか試せる。Apache 2.0ライセンスは、専有APIの条件やデータ取り扱い方針が気になる環境でも評価しやすくする可能性があるが、展開には依然として適切なセキュリティレビューが必要だ。

プロダクトチームにとって、この発表はホスト型のコーディングエージェントの置き換えというより、インフラスタックのもう一つの選択肢だ。140億パラメータのモデルは、レイテンシー、予測可能な提供コスト、カスタマイズ、データ保管場所が重要な場合に魅力的かもしれない。しかし、LiveCodeBenchだけで結論を出す前に、リポジトリ規模のタスク、ツール統合、繰り返し試行での信頼性、自社コードベースでの性能に関する証拠が必要になる。

この公開は、AIコーディングにおける戦略的な分岐も浮き彫りにする。AnthropicのClaude Codeは、専有モデルとワークフローを中心に構築された製品化されたエージェント型の体験を表している。Nous Researchは、オープンな重みと再現可能な学習インフラを重視している。これらのアプローチは将来的に収束するかもしれないが、今のところは異なる買い手の問いに答えている。最小限のセットアップで最も高機能な体験を提供できるのは誰か、そして組織が検証・制御できるモデルとスタックを提供できるのは誰か、という問いだ。

次に注目すべき点

最も明確な次のシグナルは、NousCoder-14Bに対するリポジトリレベルのソフトウェアタスクと多段階デバッグでの独立テストだろう。チーム自身は、複数回の試行にわたってコンパイラエラー、失敗したテスト、時間制限のフィードバックを使うようモデルを訓練すること、特に多段階の強化学習を優先事項として挙げている。

研究者はまた、Atroposが今回の公開だけでなく、他のモデルやデータセットでも同様の結果を出せるかを注視すべきだ。さらに、応答長の制御改善、ツール使用やエージェント的展開の公開証拠、合成プログラミング問題生成の進展も注目点になる。市場面では、重要なのはベンチマーク精度単独ではなく、Claude Codeのようなツールに対する実用的なコストと信頼性の比較になる。

Creati.aiの視点

NousCoder-14Bが重要なのは、市場が洗練されたAIエージェントに注目している今、コーディングモデル改善の仕組みを異例のほど可視化しているからだ。そのスコアは注目に値するが、より持続的な貢献は、オープンな強化学習パイプラインと、比較的小さなモデルでも検証済みフィードバックと丁寧なシステム設計で大きく向上しうることを示した点かもしれない。

この公開はまた、コーディングモデルの提供者が避けられない限界も示している。ベンチマークの供給は有限だが、有用なソフトウェア行動は広範で対話的だ。オープンモデルが専有のコーディングエージェントに、孤立したプログラミング競技を超えて挑むには、より強い多段階学習、より優れたツール利用、そして実際のリポジトリでの信頼できる評価が必要になる。現時点では、Nous Researchは真剣な研究公開を行ったが、証拠はまだClaude Codeの完全な製品機能に並ぶことを示してはいない。