Schema Harness、ARC-AGI-3公開セットで98.98%を達成、しかし真のテストは依然として非公開

Schema Harnessは、既存のフロンティアモデルの重みを変更することなく、ARC-AGI-3の公開セットで98.98%を記録したと発表しています。このSchema HarnessのARC-AGI-3結果は、25の全公開環境において、ベンチマークが掲げる人間の効率性目標にほぼ匹敵します。

この結果は、驚くべき対照を生み出しています。ARC Prizeによる独立評価では、GPT-5.6 Solは公開セットで13.33%、準非公開評価で7.78%でした。Schema Harnessは、同じモデルファミリーを構造化された推論・検証ループで包むことで、95.35%を記録したと報告しています。

これは、ARC-AGI-3が解決されたことを示す証拠ではありません。Schemaのスコアは依然として自己申告であり、公開環境は自由に調査でき、開発を繰り返すことも可能です。しかし、公開された軌跡により、この主張は単独のスクリーンショットやソーシャル投稿よりも確かなものになっています。

したがって、中心となる物語は、新しいモデルが古いモデルを打ち負かしたということではありません。ARC Prizeがすでにテストしたモデルから、特化型ハーネスが根本的に異なる挙動を引き出したように見えることです。

これにより、注目はモデルの重みから、その周囲を取り巻く仕組みへと移ります。同時に、開発者がすべての環境を繰り返し研究できる状況で、公開ベンチマークの性能が何を測るのかという、より難しい問いも浮上します。

Schema HarnessのARC-AGI-3結果が人間レベルに到達

Schema Harnessは、数件のゲーム成功例だけでなく、公開セット全体で人間に近い行動効率を報告しています。

プロジェクトのSchema Harnessの結果では、ARC-AGI-3の25の公開環境を対象とした2つの個別評価が報告されています。一方ではClaude Opus 4.8とClaude Fable 5を使用し、もう一方ではGPT-5.6 Solを使用しました。

ClaudeとFableの構成は、利用可能な全183レベルを完了したと報告されています。その平均相対的人間行動効率（RHAE）は98.98%に達しました。

GPT-5.6 Solの構成は、24件の勝利軌跡を通じて183レベル中182レベルを完了しました。平均RHAEは95.35%でした。

RHAEは、単に勝利数を数えるものではありません。完了したレベルを測定し、各レベルにおけるエージェントの行動回数を人間の基準値と比較します。

そのため、非効率な勝利は効率的な勝利よりも低く評価されます。レベルを完了できなかった場合にも完了ペナルティが課されるため、部分的な実行によって誤解を招くほど高い平均値が得られることはありません。

ARC Prizeがこの仕組みを導入したのは、ARC-AGI-3がインタラクションを通じた学習をテストするためです。各環境について、エージェントには文章化されたルール、明示された目標、チュートリアルのいずれも与えられません。

エージェントは、どのオブジェクトが重要かを発見し、行動が場面をどう変化させるかを推論し、目標を特定して、成功する戦略を実行する必要があります。スコアは、その過程でエージェントがどれだけのインタラクションを必要としたかを反映します。

ベンチマークのスコアリング手法では、各レベルの上限が115%に設定されており、極めて高い効率によって他の低い成績を補うことができます。一方、完了した各ゲームの上限は100%のままです。

したがって、平均98.98%は、単に幅広いタスクを完了したこと以上の意味を持ちます。プロジェクトのスコアリング資料によれば、ClaudeとFableのシステムは通常、人間の基準値に近い効率で行動しました。

チームはまた、独立したデータホスティングプラットフォームを通じて50件のゲームプレイ軌跡を公開しました。評価トレースには、実行メタデータ、イベントログ、スナップショット、スコアリング入力、環境ごとの結果が含まれています。

これらの資料により、外部の研究者は実行内容を調査し、付属のスコアリングユーティリティを実行できます。報告された計算とエージェントの挙動について、有用な透明性を提供しています。

しかし、計算を再現できることは、ベンチマークが独立して検証されたことと同じではありません。これらの実行は依然として、開発者が調査、再実行、最適化できる環境を対象としています。

この違いが重要なのは、ARC-AGI-3が未知の環境への適応をテストするものとして開始されたためです。環境が公開されると、繰り返し開発する過程で、初見の受験者なら決して持ち得ない知識が取り込まれる可能性があります。

この制約によって、結果が無意味になるわけではありません。結果が答えられる問いが変わるのです。

Schema Harnessは、ベースモデルを再学習することなく、構造化されたシステムが既知のベンチマーク環境をどれほど効果的に攻略できるかを示す証拠を提供しています。しかし、未知の環境に対して同等の適応力を発揮できることは、まだ証明されていません。

同じモデルでもハーネス内では根本的に異なる性能を示す

報告された最大の向上は、より強力なモデルの学習ではなく、モデルを取り巻く推論、記憶、検証の再構成によって生まれています。

ARC Prizeは2026年3月、意図的に極めて厳しいベースラインとともにARC-AGI-3を発表しました。人間はすべての環境を解決できた一方、フロンティアAIシステムの平均はわずか0.51%でした。

ベンチマークの発表では、探索、目標の発見、計画、継続学習を中心に設計された数百のターン制環境について説明されています。その公開デモセットには25の環境が含まれています。

発表後、モデルの性能は向上しましたが、一般的なフロンティアモデルの構成は依然として人間を大きく下回っていました。GPT-5.6 Solは、その最も明確な最近の例です。

ARC Prizeの報告によれば、最大の推論努力に設定したSolは、公開環境全体で平均13.33%でした。また、公開ゲームを1つ完全にクリアした、直接テスト済みの初のフロンティアモデルでもあります。

準非公開セットにおける検証済みスコアは7.78%でした。公式のGPT-5.6評価では、Solは未知の場面内で自身の位置づけを把握し、失敗した仮説を修正する能力が特に高いと評価されています。

Schema Harnessは、Solで95.35%を記録したと報告しています。これは、ARC Prizeによるベースエージェント構成の公開測定値と比べて、82.02パーセントポイントの差です。

この比較は、厳密な科学的アブレーションではありません。ツール、プロンプト、実行制限、コンテキスト管理、開発履歴の違いが、いずれも結果に影響する可能性があります。

それでも、この差の大きさを考えれば、周囲のシステムを無視することはできません。モデルのベンチマークスコアは、モデルとハーネスの組み合わせによって決まる性質をますます強めています。

ハーネスとは、エージェントのコンテキスト、ツール、状態、実行サイクル、復旧動作を管理するソフトウェア層です。モデルに何が見え、次に何ができるかを決定します。

この層は、よくあるエージェントの失敗を防ぐことができます。モデルは以前の証拠を見失ったり、観察結果をルールと誤認したり、前提に矛盾が生じた後も行動を続けたりすることがよくあります。

単純なチャットループでは、モデルの文章による推論に負担が集中します。モデルは、拡大し続ける会話の中で観察結果を記憶し、仮説を維持し、行動を計画し、矛盾を検出しなければなりません。

Schema Harnessは、この構成を変えます。モデルに対し、環境についての現在の理論を表す編集可能なプログラムを維持するよう求めます。

そのプログラムは、記号的世界モデル、つまりオブジェクト、状態、行動、遷移ルールを明示的に表現したものになります。エージェントは、証拠の変化に応じてそれを調査し、修正できます。

このアプローチは、状態帰属とメカニズム発見を同時に扱うと報告されています。状態帰属では、現在の観察結果を説明する隠れ変数を特定します。

メカニズム発見では、行動がそれらの変数をどのように変化させるかを問います。両方の問題を1つの実行可能な表現の中で扱うことで、場面を説明することと次の状態を予測することの隔たりが小さくなります。

この違いは、有能なモデルがハーネスなしではなぜ低い性能しか発揮できないのかを説明する手がかりになります。言語モデルは目に見えるパターンを認識できても、多数のインタラクションにわたって一貫した因果関係を維持できない場合があります。

ハーネスは、モデルの重みに新しい知識を追加するものではありません。実行中に形成された知識を外部化し、テストし、修復するようモデルに制約を与えます。

これは、より大規模なモデルを発表するほど華やかではありません。しかし、実際のワークフローにエージェントを導入するチームにとっては、より重要かもしれません。

ソフトウェア、調査、運用を扱うエージェントは、多くのステップにわたって状態を保持しなければなりません。たった1つの誤った前提が以降のすべての行動を損ない得る状況では、流暢な推論だけでは不十分です。

編集可能な世界モデルがエージェントの役割を変える

Schema Harnessは、環境の理解をプログラムテストの問題へと変換し、失敗と修復が可能な具体的対象をモデルに与えます。

ARC-AGI-3では、ルールが隠された視覚環境にエージェントが直面します。移動によって、オブジェクトが変化したり、経路が開いたり、リソースが消費されたり、すぐには目に見える効果が生じなかったりする可能性があります。

エージェントは、観察と説明を切り分けなければなりません。また、最初に思いついたもっともらしい理論を、確立された事実として扱うことも避ける必要があります。

Schema Harnessは、分析による合成を用いていると報告されています。このアプローチでは、観察結果を再現できるメカニズムを構築することで、その観察結果を説明します。

エージェントは遷移プログラムを作成します。これは一般にstep()関数と表現されます。この関数は、選択した行動の後に環境がどのように変化するかを予測します。

次に、ハーネスは記録されたインタラクション履歴に対してプログラムを検証します。予測された状態と観察された状態が一致しなければ、現在の理論は具体的なテストに失敗したことになります。

その場合、モデルは変数、ルール、またはオブジェクトの割り当てを修正しなければなりません。このループによって、曖昧な振り返りが、実行可能なデバッグプロセスへと変わります。

移動可能なピース、ゲート、複数の色付きセルを含むグリッドを考えてみましょう。チャットベースのエージェントは、色付きセルに触れるとゲートが開くと結論づけるかもしれません。

その説明は、1回のインタラクションの後では妥当に聞こえる可能性があります。しかし、2回目の試行により、2つのセルを特定の順序で作動させた場合にのみゲートが開くことが判明するかもしれません。

編集可能なプログラムは、欠けている条件を明らかにします。その予測状態が記録されたフレームと一致しないため、エージェントはメカニズムを更新すべき明確な理由を得られます。

遷移モデルが利用可能な履歴と一致すれば、システムはそれを計画に利用できます。ベンチマーク上で行動を実行する前に、シミュレーションされた世界内で可能な行動シーケンスを探索すると報告されています。

RHAEは不要なインタラクションにペナルティを科すため、この計画ステップは重要です。ランダムな探索によって最終的に目標を発見できたとしても、行動が過剰であれば最終スコアが大幅に低下する可能性があります。

ベンチマークでは、レベルスコアの算出段階で、人間とエージェントの行動回数の比率を二乗します。人間の10倍の行動を使用するエージェントは、人間の基準スコアのごく一部しか獲得できません。

したがって、Schemaが報告する性能は、モデルの正確さと規律ある探索の両方に依存します。システムは、目的のない行動を避けながら、十分な情報を学習しなければなりません。

このアプローチは、ARC-AGI-3コミュニティ内の他の実行可能な世界モデルに関する研究と似ています。明示的なプログラムと構造化された状態探索が、制約のないエージェントの会話を上回ることは、すでに研究者によって示されています。

ある公開ベースラインでは、環境固有のコードを使用せずに実行可能なPythonモデルを構築し、それを通じて計画を立てました。別のベースラインでは、グラフベースの探索を使用して、状態、遷移、未検証の行動を追跡しました。

Schema Harnessは、この一連のアイデアをさらに推し進めているように見えます。観察、説明、検証、計画の中心に、単一の編集可能な表現を据えています。

同プロジェクトが報告するClaude Codeのベースラインも、有用な比較を提供しています。プロジェクトによれば、より単純なコーディングエージェント構成は、同じ公開セットで42.83%に達しました。

このベースラインは、すでに多くの初期公開結果を上回っています。それでも、ClaudeとFableを使用したSchema構成には56パーセントポイント以上及びません。

この比較は、コード実行へのアクセスだけでは不十分であることを示唆している。重要なのは、ハーネスがコードを因果モデリングと継続的な整合性チェックへどのように導くかである。

これは、エージェント開発者にとって重要な設計上の教訓である。トークン数を増やしたり、より広範なツールへのアクセスを与えたりしても、長期的な動作が自動的に改善されるわけではない。

エージェントには、自らが何を信じているのかを持続的に表現する仕組みが必要である。また、その信念を蓄積された証拠と強制的に照合するメカニズムも必要だ。

同じ原則は、抽象的なゲーム以外にも当てはまる。ソフトウェアエージェントは、その計画をリポジトリの状態やテスト結果と照合すべきである。

リサーチエージェントは、主張を取得した証拠に結び付け、情報源が矛盾する場合には結論を修正すべきである。運用エージェントは、予想されるシステム変更と実際に観測された結果を比較すべきである。

いずれの場合も、ハーネスはメモリを単なる記録から編集可能なモデルへと変換できる。そのモデルによって、エージェントは検証すべき具体的な対象を得られる。

大量の技術的証拠を管理するチームにとって、検索可能なエンジニアリングナレッジベースは、そのプロセスにおける人間側の作業を支援できる。それでも、検索だけではSchemaの実行可能な因果レイヤーは得られない。

より広い意味での示唆は、すべてのエージェントにゲームシミュレーターが必要だということではない。信頼できるエージェントには、自らが制御すべき状態変化に適合した表現が必要だということである。

98.98%の公開スコアは検証済みのAGI成果ではない

公開スコアは可視環境上で開発済みのシステムをテストしたものであり、ARC-AGI-3の最も強い主張は、管理された初回遭遇時の性能に依存している。

このプロジェクトは、報告スコアを裏付ける詳細な証拠を公開している。しかし執筆時点で、ARC PrizeはSchema Harnessを検証済みのセミプライベート結果として掲載していない。

この隔たりは、あらゆる解釈の中心に据えられるべきである。ARC-AGI-3は、環境、メカニクス、目標が当初不明な状況での適応を測定するために設計された。

公開環境では、その条件を永続的に維持できない。開発者はファイルを調査し、インタラクションを再実行し、失敗を比較し、繰り返し現れる構造に合わせてハーネスを改良できる。

解決策をハードコードしなくても、反復的な改善によってベンチマーク固有の前提が持ち込まれる可能性がある。ツールの説明、プロンプト、計画ルーチン、状態表現に、公開セットから得た教訓が組み込まれることもある。

ARC Prizeは、セミプライベートおよび完全プライベートのコレクションによって、この問題に対処している。技術レポートには、25の公開環境、55のセミプライベート環境、55の完全プライベート環境が記載されている。

セミプライベートセットは、外部モデルAPIを通じた管理下での評価を可能にする。完全プライベートセットは、競技に使用される、より厳格なホールドアウトを提供する。

ARC Prizeの検証ポリシーでは、公開スコアとセミプライベートスコアの一致度も監視している。公開デモセットの方が難しいため、ARC-AGI-3のセミプライベートスコアは公開スコアより高くなることが期待されている。

このポリシーでは、15パーセントポイント以内のスコア差が良好な一致とされる。したがって、管理下での評価において同等のセミプライベートスコアが得られれば、Schemaの公開結果の意義ははるかに大きくなる。

GPT-5.6 Solとの比較は、このテストがなぜ重要なのかを示している。ARC Prizeは独自のエージェント構成を使用し、Solを公開環境で13.33%、セミプライベート環境で7.78%と測定した。

Schema Harnessは、Solを使用して公開環境で95.35%を報告している。この結果は、はるかに優れた推論アーキテクチャ、公開セットへの広範な適応、またはその両方の組み合わせを反映している可能性がある。

これらの説明を説得力をもって区別できるのは、新しいホールドアウトだけである。公開済みのトレースだけでは、汎化の問題を解決できない。

ほかにも不確実性がある。Schemaは最も高性能なコレクション全体で、すべての環境を単一の固定モデルに処理させるのではなく、2つのAnthropicモデルを使用している。

したがって、ルーティングロジックとモデル選択プロセスは検証に値する。研究者は、各実行前に選択が行われたのか、探索的な試行後に行われたのか、あるいは別の評価プロトコルが使用されたのかを知る必要がある。

価格を議論の対象外とする場合でも、計算量は重要である。プログラムを繰り返し作成し、履歴を再実行し、アクション系列を探索するエージェントは、モデルを直接呼び出す場合よりも大幅に多くの推論を使用する可能性がある。

ARC-AGI-3は、環境内でのアクション効率を測定する。アクション間で実行される計算の総量まで必ずしも捉えるものではない。

これはSchemaだけに特有の欠点ではない。テスト時の計算量は、現代の推論ベンチマーク全般における中心的な変数である。

ただし、比較ではモデル呼び出し回数、トークン数、実経過時間、失敗した試行、選択手順を報告すべきである。そうしなければ、効率的なアクショントレースの背後に高コストな内部探索が隠れる可能性がある。

再現可能性についても別の問題がある。軌跡の公開によって、研究者は出力とスコアを検証できるが、完全な再現にはハーネスの実装全体と評価手順が必要である。

トレースは、成功した実行中に何が起きたかを示す。しかし、公開されたコレクションに至るまでに、いくつの別構成や破棄された実行が存在したかまでは必ずしも明らかにしない。

これらの留意点はいずれも、報告された98.98%を無効にするものではない。適応知能における幅広い進歩として扱う前に、今後どのような証拠が必要なのかを明確にするものである。

責任ある結論は限定的だが重要である。Schema Harnessは、重みを更新するのではなく明示的な世界モデリングを使用し、可視化されたARC-AGI-3環境を驚くべき効率で習得しているように見える。

同じ手法が未知の環境へ汎化できるかどうかは、依然として未解決である。この問いこそが、このベンチマークの真の核心である。

この結果はモデル開発者とベンチマーク設計者に圧力をかける

Schema Harnessは競争圧力をシステム設計へと移す一方、ベンチマークに対して、モデル自体の能力とハーネスによって支援された性能を区別するよう迫っている。

フロンティアモデルの提供企業は通常、モデルリリースの改善を通じて推論能力の進歩を示す。Schemaの報告結果は、デプロイ後のアーキテクチャ変更によっても、同等またはそれ以上の向上が生じ得ることを示唆している。

これは、モデル開発者に2つの圧力をもたらす。第一に、顧客がエージェント性能の十分な証拠として、生のモデルランキングだけを重視しなくなる可能性がある。

第二に、提供企業は、永続的な状態、コード実行、シミュレーション、検証、管理されたコンテキスト管理のための、より優れた基本機能を提供する必要が生じる可能性がある。

説得力のある説明を生成できるモデルでも、内部の前提がずれれば失敗し得る。そのずれを検出するハーネスは、より弱いループ内で動作する名目上より強力なモデルを上回る可能性がある。

したがって、開発者はシステム全体を評価すべきである。評価対象となる単位には、モデル、ツール、メモリポリシー、状態表現、検証器、プランナー、復旧動作が含まれる。

この結果は、エージェントプラットフォームのベンダーにも圧力をかける。ツール呼び出しと会話メモリを中心とした汎用ループは、タスク固有の実行可能な表現を軸に設計されたシステムに対して苦戦する可能性がある。

これは、すべてのアプリケーションに専用ハーネスが必要だという意味ではない。ハーネスが作業の構造を反映しなければならないという意味である。

ARC-AGI-3の場合、重要な構造は、隠された遷移規則に支配される変化する世界である。シンボリックシミュレーターは、その構造に直接対応する。

コーディングの場合、対応する構造はファイル、依存関係、テスト、実行時の動作かもしれない。リサーチの場合は、主張、情報源、日付、矛盾する証拠かもしれない。

これにより、ハーネス設計はプロンプトの装飾ではなく、プロダクトエンジニアリングの一形態となる。システムは、どのような状態が存在し、それがどのように変化し、誤った信念がどのように可視化されるかを定義しなければならない。

ベンチマーク設計者も、関連する課題に直面する。公開セットは研究、デバッグ、比較を支援するが、時間の経過とともに、初回遭遇時の適応を測定する指標としては弱くなる。

ARC Prizeはすでにこの違いを認識している。そのプライベート評価レイヤーは事務的な詳細ではなく、ベンチマークの科学的意義を保護するものである。

Schema HarnessのARC-AGI-3結果は、公開評価の両面を示している。オープンな環境によって、研究者は効果的なアーキテクチャを発見し、検証可能なトレースを公開できる。

同時に、そのオープン性のために、最終スコアだけではアーキテクチャが未知の環境へ転用できることを証明できない。進歩と過剰適合は、公開環境上では似た数値を生み得る。

コミュニティ内の比較も、この点を裏付けている。以前のシステムは、グラフ探索、実行可能なPythonモデル、継続学習、メモリファイル、マルチエージェントオーケストレーションを使用していた。

これらのアプローチは、Schemaの報告平均には及ばないものの、意味のある向上をもたらした。この分野は、根拠のない推論だけで各環境を解決するようモデルに求める方法から、着実に離れつつある。

Schemaは、この傾向をより明確な命題へとまとめている。エージェントは、外部の世界モデルを構築、実行、反証、修復できるときに向上する。

この命題がプライベートテストでも維持されるなら、モデル提供企業は新たな競争環境に直面することになる。基盤モデルの推論能力向上は引き続き重要だが、それと並んでハーネスとの互換性も重要になる。

プライベートスコアが大幅に低下するなら、得られる教訓は異なる。Schemaは依然として効果的な公開セット向けソルバーではあるものの、汎用的なメカニズム発見に関する、より広範な主張は弱まるだろう。

どちらの結果でも理解は深まる。現在の公開結果の最大の価値は、エージェントアーキテクチャに関する強力で検証可能な仮説を提示している点にある。

Schema Harnessが実際に何を証明したのかを決める3つのシグナル

次に必要な証拠は、最適化された公開スコアをさらに提示することではなく、転用可能性、再現可能性、リソース使用量を検証するものでなければならない。

第一のシグナルは、管理下で行われるARC-AGI-3のセミプライベート評価である。これは、Schemaの世界モデリングループが、開発に使用された環境以外にも転用できるかどうかを検証する最も直接的なテストである。

報告された公開スコアに近い結果が得られれば、ハーネスが初回遭遇時にメカニズムを発見するという主張が強まる。大幅に低下すれば、公開セットへの特化を示唆することになる。

第二のシグナルは、固定された評価プロトコルを備えた、完全かつ再現可能なハーネスの公開である。研究者には、プロンプト、ツール、ルーティング規則、再試行上限、モデル選択プロセス、スコアリングパイプラインが必要である。

独立したチームが、その世界モデルを手作業で修正することなく、同じ構成を実行できなければならない。異なるモデル提供企業間で再現できれば、アーキテクチャに関する主張はさらに強固になる。

既存のトレースは、有意義な第一歩である。50回の実行と、報告結果を検証するのに十分なスコアリングデータが公開されている。

しかし、完全な再現には、それらのトレースを生成した仕組みが必要である。また、失敗した実行や、公開前に適用された選択基準も開示する必要がある。

第三のシグナルは、環境内のアクション間で行われた計算を網羅する効率性レポートである。RHAEは人間を基準としたアクション効率を測定し、これはARC-AGI-3の設計において中心的な要素である。

しかし、すべてのモデル呼び出し、シミュレーションステップ、探索分岐を記述するものではない。これらの測定によって、アプローチが実用的かどうか、また比較が同程度の推論予算で行われているかどうかが決まる。

ハーネスが、内部計算量を増やす代わりにリスクの高い外部アクションを減らしているなら、それは評価に値する可能性がある。このトレードオフは、ソフトウェアのデプロイ、実験室での制御、高コストな運用ワークフローにおいて価値を持ち得る。

それでも研究者は、そのトレードオフを明確に把握する必要がある。環境内での最終的なアクションだけを報告すると、重要な側面が隠されたままになる。

これらのシグナルは、同じ25の環境で新たな見出し向けスコアを出すことよりも重要である。公開セットによって、Schemaがフロンティアモデルを効果的なソルバーとして編成できることは、すでに示されている。

未解決なのは、未知のシステムを学習するための再利用可能なプロセスを獲得したかどうかである。これは、既知のゲーム構造を効率的に再現することよりも、はるかに高い基準である。

開発者にとって、当面の教訓は実践的だが抑制的である。モデルのデフォルトのエージェントスコアが、そのモデルの実用可能な能力を規定すると考えてはならない。

明示的な状態モデル、実行可能な予測、過去データによる検証、計画的なリカバリーが、あなたが実際に重視するワークフローを改善するかどうかをテストしてください。成功した出力だけでなく、失敗も測定してください。

ベンチマークの読者に対しては、評価の境界を明確に示してください。公開スコア98.98%は、システムとして見事な成果ですが、未知のARC-AGI-3環境において検証された98.98%のスコアではありません。

まずセミプライベート評価、次に再現可能なリリース、そして3番目に推論コストの完全な算定に注目してください。これらの結果を総合することで、Schema Harnessが汎用的なエージェントのメカニズムを発見したのか、それとも公開データセットに特化した卓越したソリューションなのかが明らかになります。