論文の概要: LLM Evolution as an Industry-Scale Ecosystem: A Lifecycle Perspective on Continual Learning

• arxiv url: http://arxiv.org/abs/2606.24901v1
• Date: Fri, 12 Jun 2026 13:44:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-28 23:46:52.328041
• Title: LLM Evolution as an Industry-Scale Ecosystem: A Lifecycle Perspective on Continual Learning
• Title（参考訳）: 産業規模の生態系としてのLCM進化--継続的学習のライフサイクル的展望
• Abstract要約: 我々は,産業継続学習を,バージョン付きエコシステムにおけるクローズドループ更新・リリース問題として再考する。 モデルの可塑性を反復的に損なうこと、基礎モデルアップグレードが機能継承を損なうこと、長期持続性はデプロイメント要求によって制約されること、の3つの課題を特定した。
• 参考スコア（独自算出の注目度）: 31.141368713793423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continual learning capability is critical for Industrial LLMs, as deployed models must be continuously updated to meet evolving requirements and environments, rather than repeatedly retrained from scratch. However, most existing research focuses on improvements on static benchmarks, failing to capture real industrial needs. In this survey, we reformulate Industrial Continual Learning (ICL) for LLMs as a closed-loop update-and-release problem in a versioned ecosystem, where updates propagate hierarchically to industrial, application-specific models and LLM-powered applications, with capability inheritance and transfer across versions and model families. From this ecosystem perspective, we identify three core challenges: repeated adaptation erodes model plasticity, foundation-model upgrades break capability inheritance, and long-term sustainability is constrained by deployment requirements. We then organize the technical landscape of ICL around five lifecycle design principles: preserving plasticity headroom, treating upgrades as capability transfer, enabling trustworthy continual reinforcement learning, making training recipes self-optimizing, and building accountability as a base layer for long-term iteration. For each principle, we synthesize representative technical directions. Finally, we evaluate the maturity of each principle and its technical components via an evidence-based lens, identify key gaps hindering real-world deployment, and outline a practical ICL deployment blueprint and a pathway for feeding industrial realities back into academic research.
• Abstract（参考訳）: 継続的学習能力は、スクラッチから繰り返し再訓練されるのではなく、進化する要求や環境を満たすために、デプロイされたモデルを継続的に更新する必要があるため、産業用LLMにとって重要である。 しかし、既存の研究のほとんどは静的ベンチマークの改善に焦点を当てており、実際の産業的ニーズを捉えていない。 本研究では, LLM の産業継続学習 (ICL) を, 産業用, アプリケーション専用モデル, LLM ベースのアプリケーションに階層的に伝播し, バージョンとモデルファミリ間での継承と転送を行う, バージョン付きエコシステムにおけるクローズドループ更新・リリース問題として再検討する。 このエコシステムの観点から, 繰り返し適応エロージュモデル塑性, 基礎モデルアップグレードによる機能継承の破壊, 長期持続性は, デプロイメント要件によって制約される。 次に、ICLの技術的な展望を5つのライフサイクル設計原則にまとめる。可塑性ヘッドルームの保存、アップグレードを機能移行として扱うこと、信頼性の高い継続的強化学習を可能にすること、トレーニングレシピを自己最適化すること、長期的なイテレーションの基盤レイヤとして説明責任を構築することである。 それぞれの原理に対して、代表的技術的方向性を合成する。 最後に、エビデンスベースのレンズを用いて、各原理とその技術コンポーネントの成熟度を評価し、現実世界の展開を妨げる重要なギャップを特定し、実践的なICLデプロイメントの青写真と、産業現実を学術研究に戻すための経路を概説する。

関連論文リスト

• Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
  大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。 本稿では,再構築による理解という,新しいパラダイムを提案する。 マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-11T09:23:20Z)
• Modular Memory is the Key to Continual Learning Agents [100.09688599754465]
  In-Weight Learning(IWL)の強みと、モジュラーメモリの設計を通じて新たに登場したIn-Context Learning(ICL)の機能を組み合わせることが、大規模に継続的適応するための欠片である、と我々は主張する。 我々は、ICLを高速適応と知識蓄積に活用するモジュール型メモリ中心アーキテクチャの概念的フレームワークと、モデル機能の安定した更新のためのIWLについて概説する。
  論文  参考訳（メタデータ） (2026-03-02T11:40:05Z)
• LORE: A Large Generative Model for Search Relevance [23.808303249081117]
  本稿では,eコマース検索における大規模生成モデルに基づく関連性の体系的枠組みであるLOREを紹介する。 LOREは3年にわたってデプロイされ、反復され、オンラインGoodRateメトリクスの累積+27%の改善を実現した。
  論文  参考訳（メタデータ） (2025-12-02T18:50:42Z)
• Distill, Forget, Repeat: A Framework for Continual Unlearning in Text-to-Image Diffusion Models [42.10036183563499]
  本稿では, 減量要求の順序の下で, 目標と安定性を確保できる新しい生成蒸留に基づく連続的アンラーニングフレームワークを提案する。 10段階の逐次ベンチマーク実験により,提案手法はより忠実な概念を忘れることが実証された。 このフレームワークは、大規模生成モデルのデプロイとメンテナンスの責任を負うための実行可能な経路を提供する。
  論文  参考訳（メタデータ） (2025-12-02T11:22:32Z)
• Failure Modes in LLM Systems: A System-Level Taxonomy for Reliable AI Applications [0.0]
  大規模言語モデル(LLM)は、意思決定支援ツール、自動化、AI対応ソフトウェアシステムに急速に統合されている。 本稿では,現実のLLMアプリケーションで発生する15の隠れ障害モードのシステムレベルでの分類について述べる。
  論文  参考訳（メタデータ） (2025-11-25T05:19:23Z)
• Grounded in Reality: Learning and Deploying Proactive LLM from Offline Logs [72.08224879435762]
  textttLearn-to-Askは、プロアクティブな対話エージェントの学習とデプロイのためのシミュレータフリーフレームワークである。 当社のアプローチは,LLMの大規模オンラインAIサービスへの展開を成功に導くものです。
  論文  参考訳（メタデータ） (2025-10-29T12:08:07Z)
• The Landscape of Agentic Reinforcement Learning for LLMs: A Survey [103.32591749156416]
  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)
• Continual Learning for VLMs: A Survey and Taxonomy Beyond Forgetting [70.83781268763215]
  視覚言語モデル(VLM)は、大規模事前学習を活用することで、多様なマルチモーダルタスクにおいて優れたパフォーマンスを実現している。 VLMは、クロスモーダル機能ドリフト、共有アーキテクチャによるパラメータ干渉、ゼロショット機能侵食など、ユニークな課題に直面している。 本調査は、生涯の視覚言語システムを開発する研究者にとって、包括的かつ診断的な基準となることを目的としている。
  論文  参考訳（メタデータ） (2025-08-06T09:03:10Z)
• Large Language Model-enhanced Reinforcement Learning for Low-Altitude Economy Networking [71.83640290222928]
  Low-Altitude Economic Networking (LAENet)は、1000m以下の多様な飛行アプリケーションをサポートすることを目的としている。 複雑な意思決定、資源の制約、環境の不確実性は、LEENetの開発に重大な課題をもたらす。
  論文  参考訳（メタデータ） (2025-05-27T11:25:42Z)
• Towards General Industrial Intelligence: A Survey of Continual Large Models in Industrial IoT [25.16997700703974]
  本調査では,大規模モデル(LM)とのIIoT統合とその産業環境への応用について検討する。 我々は,言語ベース,視覚ベース,時系列,マルチモーダルモデルという,産業用LMの4つの主要なタイプに注目した。 IIoTが豊富な多様なデータリソースをどのように提供するかを分析し、LMのトレーニングと微調整をサポートする。
  論文  参考訳（メタデータ） (2024-09-02T12:35:59Z)
• Large Language Model Supply Chain: A Research Agenda [5.1875389249043415]
  大規模言語モデル(LLM)は、自然言語処理とマルチモーダルコンテンツ生成において前例のない能力を導入し、人工知能に革命をもたらした。 本稿では,LLMサプライチェーンの総合的な研究課題を初めて提示し,重要な課題と機会を特定するための構造的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-19T09:29:53Z)
• Branch-Tuning: Balancing Stability and Plasticity for Continual Self-Supervised Learning [33.560003528712414]
  自己教師付き学習(SSL)は、膨大な量のラベルのないデータから一般的な表現を導出するための効果的なパラダイムとして登場した。 これは、新しい情報に適応する際の安定性と可塑性のバランスを崩すことに挑戦する。 本稿では,SSLの安定性と可塑性のバランスを両立させる手法であるブランチチューニングを提案する。
  論文  参考訳（メタデータ） (2024-03-27T05:38:48Z)
• Mitigating Catastrophic Forgetting in Large Language Models with Self-Synthesized Rehearsal [49.24054920683246]
  大規模言語モデル(LLM)は、連続学習中に破滅的な忘れ込みに悩まされる。 自己合成リハーサル(Self-Synthesized Rehearsal, SSR)と呼ばれるフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-02T16:11:23Z)

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。