サマリー

・麻雀点数計算問題を通じて、LLMの論理推論力を評価。
・Gemini 2.5 Flash（33〜45%）以外はほぼ正答できず、Single Agentでは限界。
・Multi Agent構成（Refinementループ）導入で正答率90%に改善。
・AI同士が出力を検証・修正する仕組みが有効だが、生成に2〜4分要する。
・検証可能タスクにおいて、LLM協働による安定性・精度向上が確認された。
・「AIがAIを教育する」アプローチが次世代LLM活用の鍵。