AIエージェント能力アトラス › 仕事ごとの一覧 › 基盤能力（横断） › 学習・適応

インコンテキスト学習（少数例からの適応）

In-context / few-shot learning

0 できない ／ 1 デモ止まり ／ 2 補助 ／ 3 実務品質（要確認） ／ 4 専門家並み ／ 5 専門家超え。「予」は予測。

専門家と比べて

数例のデモンストレーションから新しいタスク形式を把握する能力は、経験豊富な専門家が新人に『やってみせる』のに近い速さで模倣できる

できること

プロンプト内の数例から新しいフォーマット・タスクへの適応は実務品質。重みを一切更新せずにリアルタイムでタスク切り替えが可能

まだできないこと

計算コストが文脈長に比例して増大し、大量の例を与えても性能向上は頭打ちになりやすい（限定的な性能向上）

なぜそうなのか

ICLはモデル内部で暗黙的に勾配降下に類する計算を行っていると理論づけられているが、明示的なファインチューニングほどの適応力はない

これからの予測の根拠

Context Tuning等、重み更新なしでICLを強化する手法の実用化により2028年にファインチューニングとの差がさらに縮まる見込み

いま使える主な道具

Claude、GPT-5.x、Context Tuning研究

根拠

• Fine-Tuning Without Forgetting In-Context Learning: A Theoretical Analysis of Linear Attention Models 2026-02
  ファインチューニングとICLの関係を理論的に分析

同じ分野のほかの仕事（学習・適応）

• 継続学習・重み更新なしの限界
• テスト時適応・セッション内オンライン学習

AIエージェント能力アトラス 2026（2026-09-06 時点・v1.0）の1マスです。レベルは公開された実験・ベンチマーク・報告から付けた目安で、2027年以降は予測です。全マスに根拠のリンクがあります。作者は個人で、AI（Claude）と一緒に調べて作っています。