論文の概要: Beyond Pipelines: A Fundamental Study on the Rise of Generative-Retrieval Architectures in Web Research
- arxiv url: http://arxiv.org/abs/2602.17450v1
- Date: Thu, 19 Feb 2026 15:14:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-20 15:21:29.123472
- Title: Beyond Pipelines: A Fundamental Study on the Rise of Generative-Retrieval Architectures in Web Research
- Title（参考訳）: Beyond Pipelines: Webリサーチにおける生成検索アーキテクチャの台頭に関する基礎研究
- Authors: Amirereza Abbasi, Mohsen Hooshmand,
- Abstract要約: 大規模言語モデル(LLM)の導入は、フィールドとその応用に大きな影響を与えている。
LLMは、従来のパイプラインを、情報検索、質問応答、レコメンデーションシステム、Web分析といったタスクのための生成ソリューションに変換する。
また、Webベースの要約や教育ツールといった新しいアプリケーションも実現している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Web research and practices have evolved significantly over time, offering users diverse and accessible solutions across a wide range of tasks. While advanced concepts such as Web 4.0 have emerged from mature technologies, the introduction of large language models (LLMs) has profoundly influenced both the field and its applications. This wave of LLMs has permeated science and technology so deeply that no area remains untouched. Consequently, LLMs are reshaping web research and development, transforming traditional pipelines into generative solutions for tasks like information retrieval, question answering, recommendation systems, and web analytics. They have also enabled new applications such as web-based summarization and educational tools. This survey explores recent advances in the impact of LLMs-particularly through the use of retrieval-augmented generation (RAG)-on web research and industry. It discusses key developments, open challenges, and future directions for enhancing web solutions with LLMs.
- Abstract（参考訳）: Webリサーチとプラクティスは、時間とともに大きく進化し、幅広いタスクにまたがって、多様な、アクセス可能なソリューションを提供しています。
Web 4.0のような先進的な概念は成熟した技術から生まれたが、大規模言語モデル(LLM)の導入は分野とその応用に大きな影響を与えている。
LLMのこの波は科学と技術に深く浸透し、まだ触れられていない領域は残っていない。
その結果、LLMはWebの研究と開発を変革し、従来のパイプラインを情報検索、質問応答、レコメンデーションシステム、Web分析といったタスクのための生成ソリューションに変換する。
また、Webベースの要約や教育ツールといった新しいアプリケーションも実現している。
本調査は,検索強化世代(RAG)によるWeb研究・産業におけるLLMの影響の最近の進展を考察する。
LLMでWebソリューションを強化するための重要な開発、オープンな課題、今後の方向性について論じる。
関連論文リスト
- Understanding the Role of Large Language Models in Software Engineering: Evidence from an Industry Survey [0.6660458629649825]
本稿では,ソフトウェア工学におけるLarge Language Models (LLMs) の導入に関する実証的研究を,46名の業界専門家を対象に報告した。
結果は、特に技術的な問題に対する迅速な解決、ドキュメントサポートの改善、ソースコードの標準化の強化について、LLMの肯定的な認識を示します。
回答者はまた、認知依存、セキュリティリスク、および技術的自立の潜在的侵食に関する懸念を表明しました。
論文 参考訳（メタデータ） (2025-12-19T20:57:19Z) - Deep Research: A Systematic Survey [118.82795024422722]
Deep Research (DR)は、大規模言語モデルの推論能力と検索エンジンなどの外部ツールを組み合わせることを目的としている。
本調査は,深層研究システムの包括的かつ体系的な概要を提示する。
論文 参考訳（メタデータ） (2025-11-24T15:28:28Z) - From Web Search towards Agentic Deep Research: Incentivizing Search with Reasoning Agents [96.65646344634524]
推論とエージェント能力を備えた大規模言語モデル(LLM)は、エージェントディープリサーチ(Agenic Deep Research)と呼ばれる新しいパラダイムを取り入れている。
静的なWeb検索から,計画,探索,学習を行う対話型エージェントベースのシステムへの進化を辿ります。
我々はエージェントディープリサーチが既存のアプローチを著しく上回るだけでなく、将来の情報探索において支配的なパラダイムになることを実証する。
論文 参考訳（メタデータ） (2025-06-23T17:27:19Z) - WebThinker: Empowering Large Reasoning Models with Deep Research Capability [109.8504165631888]
WebThinkerは、LEMがウェブを自律的に検索し、ウェブページをナビゲートし、推論プロセス中にレポートをドラフトすることを可能にするディープリサーチエージェントである。
また、Autonomous Think-Search-and-Draft戦略を採用しており、モデルが推論、情報収集、レポート作成をリアルタイムでシームレスにインターリーブすることができる。
我々のアプローチは複雑なシナリオにおけるLEMの信頼性と適用性を高め、より有能で多目的な深層研究システムへの道を開く。
論文 参考訳（メタデータ） (2025-04-30T16:25:25Z) - Large language models for automated scholarly paper review: A survey [2.41072532750517]
本研究の目的は,大規模言語モデル(LLM)の時代における自動学術論文レビュー(ASPR)の全体像を提供することである。
LLM技術の導入により,ASPR関連技術のボトルネックが解決されたのかを概観する。
本稿では,ASPR における LLM の性能と課題を要約し,ASPR に対する出版社や学界の態度と反応について考察する。
論文 参考訳（メタデータ） (2025-01-17T17:56:58Z) - An Empirical Study on Challenges for LLM Application Developers [28.69628251749012]
私たちは、人気のあるOpenAI開発者フォーラムから29,057の関連質問をクロールして分析します。
2,364の質問を手動で分析した後、LLM開発者が直面している課題の分類を構築した。
論文 参考訳（メタデータ） (2024-08-06T05:46:28Z) - Large Language Models for Networking: Workflow, Advances and Challenges [19.104593453342304]
ネットワークの分野は、その複雑さと迅速な反復によって特徴づけられる。
従来の機械学習ベースの手法は、ネットワークにおける複雑なタスクの一般化と自動化に苦慮している。
近年の大規模言語モデル(LLM)の出現は、これらの課題に対処する新たな可能性の波を引き起こしている。
論文 参考訳（メタデータ） (2024-04-19T14:17:02Z) - ChatGPT Alternative Solutions: Large Language Models Survey [0.0]
大規模言語モデル(LLM)はこの領域における研究貢献の急増に火をつけた。
近年、学術と産業のダイナミックな相乗効果が見られ、LLM研究の分野を新たな高地へと押し上げた。
この調査は、ジェネレーティブAIの現状をよく理解し、さらなる探索、強化、イノベーションの機会に光を当てている。
論文 参考訳（メタデータ） (2024-03-21T15:16:50Z) - Large Language Models for Generative Information Extraction: A Survey [89.71273968283616]
大規模言語モデル(LLM)は、テキスト理解と生成において顕著な能力を示した。
各種IEサブタスクと技術の観点から,これらの作品を分類して概観する。
我々は,最も先進的な手法を実証的に分析し,LLMによるIEタスクの出現傾向を明らかにする。
論文 参考訳（メタデータ） (2023-12-29T14:25:22Z) - The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [54.19942426544731]
LLM(Large Language Models)の急速な成長は、様々なドメインを変換する原動力となっている。
本稿では,LLMのエンドツーエンドのアルゴリズム開発に不可欠な多面的効率性について検討する。
論文 参考訳（メタデータ） (2023-12-01T16:00:25Z) - A Comprehensive Overview of Large Language Models [68.22178313875618]
大規模言語モデル(LLM)は、最近自然言語処理タスクにおいて顕著な機能を示した。
本稿では, LLM関連概念の幅広い範囲について, 既存の文献について概説する。
論文 参考訳（メタデータ） (2023-07-12T20:01:52Z)
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。