論文の概要: Beyond Pipelines: A Survey of the Paradigm Shift toward Model-Native Agentic AI

• arxiv url: http://arxiv.org/abs/2510.16720v1
• Date: Sun, 19 Oct 2025 05:23:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.112698
• Title: Beyond Pipelines: A Survey of the Paradigm Shift toward Model-Native Agentic AI
• Title（参考訳）: Beyond Pipelines: モデルネイティブエージェントAIへのパラダイムシフトに関する調査
• Authors: Jitao Sang, Jinlin Xiao, Jiarun Han, Jilin Chen, Xiaoyi Chen, Shuyu Wei, Yongjie Sun, Yuhang Wang,
• Abstract要約: エージェントAIの急速な進化は、人工知能の新しいフェーズを象徴している。 この調査はエージェントAI構築におけるパラダイムシフトをトレースする。 それぞれの能力が外部スクリプトモジュールからエンドツーエンドの学習行動へとどのように進化したかを調べる。
• 参考スコア（独自算出の注目度）: 27.209787026732972
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid evolution of agentic AI marks a new phase in artificial intelligence, where Large Language Models (LLMs) no longer merely respond but act, reason, and adapt. This survey traces the paradigm shift in building agentic AI: from Pipeline-based systems, where planning, tool use, and memory are orchestrated by external logic, to the emerging Model-native paradigm, where these capabilities are internalized within the model's parameters. We first position Reinforcement Learning (RL) as the algorithmic engine enabling this paradigm shift. By reframing learning from imitating static data to outcome-driven exploration, RL underpins a unified solution of LLM + RL + Task across language, vision and embodied domains. Building on this, the survey systematically reviews how each capability -- Planning, Tool use, and Memory -- has evolved from externally scripted modules to end-to-end learned behaviors. Furthermore, it examines how this paradigm shift has reshaped major agent applications, specifically the Deep Research agent emphasizing long-horizon reasoning and the GUI agent emphasizing embodied interaction. We conclude by discussing the continued internalization of agentic capabilities like Multi-agent collaboration and Reflection, alongside the evolving roles of the system and model layers in future agentic AI. Together, these developments outline a coherent trajectory toward model-native agentic AI as an integrated learning and interaction framework, marking the transition from constructing systems that apply intelligence to developing models that grow intelligence through experience.
• Abstract（参考訳）: エージェントAIの急速な進化は、Large Language Models(LLMs)が単に応答するだけでなく、行動、理性、適応する、人工知能の新しいフェーズを示す。 計画、ツールの使用、メモリが外部ロジックによってオーケストレーションされるパイプラインベースのシステムから、モデルパラメータ内でこれらの機能が内部化される新興のModel-nativeパラダイムまで、この調査はエージェントAI構築のパラダイムシフトをトレースする。 まず、このパラダイムシフトを実現するアルゴリズムエンジンとして強化学習(RL)を位置づける。 静的データを模倣することから結果駆動的な探索まで、学習をフレキシブルにすることで、LLM + RL + Taskの言語、ビジョン、具体化ドメインをまたいだ統一されたソリューションを根底から実現している。 これに基づいて調査では,各機能 – 計画,ツール使用,メモリ – が外部スクリプトモジュールからエンドツーエンドの学習行動へとどのように進化したかを,体系的にレビューした。 さらに、このパラダイムシフトが、どのようにして主要なエージェントアプリケーション、特に長距離推論を強調するDeep Researchエージェントと、具体的相互作用を強調するGUIエージェントを形作るかを検討する。 我々は、エージェントAIにおけるシステムとモデルレイヤーの役割の進化とともに、マルチエージェントコラボレーションやリフレクションのようなエージェント機能の継続的な内部化について議論することで、結論付けた。 これらの開発は、統合的な学習と相互作用のフレームワークとしてモデルネイティブなエージェントAIへのコヒーレントな軌道を概説し、インテリジェンスを適用したシステムの構築から、経験を通じてインテリジェンスを成長させるモデルへの移行を象徴している。

関連論文リスト

• A Survey on Agentic Multimodal Large Language Models [84.18778056010629]
  エージェントマルチモーダル大言語モデル(Agentic MLLMs)に関する総合的な調査を行う。 我々は,エージェントMLLMの新たなパラダイムを探求し,その概念的基盤を明確にし,従来のMLLMエージェントとの特徴を区別する。 コミュニティのためのこの分野の研究をさらに加速するため、エージェントMLLMを開発するためのオープンソースのトレーニングフレームワーク、トレーニングおよび評価データセットをコンパイルする。
  論文  参考訳（メタデータ） (2025-10-13T04:07:01Z)
• The Landscape of Agentic Reinforcement Learning for LLMs: A Survey [104.31926740841128]
  エージェント強化学習(Agentic RL)の出現は、大規模言語モデル(LLM RL)に適用された従来の強化学習からパラダイムシフトを示している。 本研究では, LLM-RLの縮退した単段階マルコフ決定過程(MDPs)と, エージェントRLを定義する部分可観測マルコフ決定過程(POMDPs)とを対比することにより, この概念シフトを定式化する。
  論文  参考訳（メタデータ） (2025-09-02T17:46:26Z)
• A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence [87.08051686357206]
  大きな言語モデル(LLM)は強力な能力を示しているが、基本的に静的である。 LLMはますますオープンでインタラクティブな環境にデプロイされているため、この静的な性質は重要なボトルネックとなっている。 この調査は、自己進化エージェントの体系的で包括的なレビューを初めて提供する。
  論文  参考訳（メタデータ） (2025-07-28T17:59:05Z)
• Large Language Model Agent: A Survey on Methodology, Applications and Challenges [88.3032929492409]
  大きな言語モデル(LLM)エージェントは、目標駆動の振る舞いと動的適応能力を持ち、人工知能への重要な経路を示す可能性がある。 本調査は, LLMエージェントシステムを方法論中心の分類法により体系的に分解する。 私たちの作業は、エージェントの構築方法、コラボレーション方法、時間の経過とともにどのように進化するか、という、統一されたアーキテクチャの視点を提供します。
  論文  参考訳（メタデータ） (2025-03-27T12:50:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。