大規模言語モデル（LLM）およびマルチエージェントシステムの最近の進展により、深層研究、ビーブコーディング、数学的推論など、複雑な問題解決タスクにおいて顕著な能力が示されている。しかし、現存する大多数のマルチエージェントシステムは、高度なエージェントフレームワークを用いた手動によるプロンプト／ワークフロー設計に基づいて構築されており、計算効率が低く、能力も限られている上、データ中心の学習の恩恵を受けることができない。本研究では、マルチエージェントシステムと同様の方法（複数のツールおよび複数のエージェントを用いた複数ターンの問題解決）で、一貫したエンド・トゥ・エンドの複雑な問題解決をモデル内にネイティブに実現する、新しいLLM推論パラダイム「エージェントの連鎖（Chain-of-Agents, CoA）」を提案する。CoAによる問題解決では、モデルが動的に異なるツールエージェントや役割遂行エージェントを活性化し、エンド・トゥ・エンドの形でマルチエージェント協働を模倣する。LLMにエンド・トゥ・エンドのCoA問題解決能力を引き出すために、最先端のマルチエージェントシステムを「エージェントの連鎖」軌道に蒸留するマルチエージェント蒸留フレームワークを導入し、エージェント指向の教師あり微調整（supervised fine-tuning）に活用する。さらに、検証可能なエージェントタスク上でエージェント指向強化学習（agentic reinforcement learning）を適用することで、CoA問題解決におけるモデルの能力をさらに向上させる。このようにして得られたモデルを「エージェント基盤モデル（Agent Foundation Models, AFMs）」と呼ぶ。実験的な評価結果から、AFMはウェブエージェントおよびコードエージェントの両設定において、多様なベンチマークで新たな最優秀性能を達成することが明らかになった。本研究で開発したすべての成果——モデル重み、学習および評価用コード、学習データ——を完全にオープンソース化しており、今後のエージェントモデルおよびエージェント指向強化学習に関する研究に堅実な出発点を提供する。