論文の概要: Self-Reference in Large Language Models: The Introspection Threshold for Recursive Self-Improvement

• arxiv url: http://arxiv.org/abs/2607.04277v1
• Date: Sun, 05 Jul 2026 12:40:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.881524
• Title: Self-Reference in Large Language Models: The Introspection Threshold for Recursive Self-Improvement
• Title（参考訳）: 大規模言語モデルにおける自己参照:再帰的自己改善のための検査閾値
• Abstract要約: 我々は、大規模言語モデルにおける持続的な自己改善には機能的な類似:イントロスペクションが必要であると主張している。 実証的なレビューでは、現在のLLMは準イントロスペクションを示すが、構造的ボトルネックのため真のイントロスペクションには達していないことが明らかになった。 この複雑性のしきい値を越えるためのアーキテクチャパスの概要と、関連する安全性への影響について議論することで、私たちは結論付けます。
• 参考スコア（独自算出の注目度）: 3.0793247270936077
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The pursuit of self-evolving AI raises a critical question: when is autonomous self-improvement sustainable rather than degenerative? Drawing an analogy to von Neumann's complexity threshold for self-reproducing automata, we argue that sustainable recursive self-improvement in Large Language Models (LLMs) requires a functional analogue: introspection -- the system's capacity to simulate its own operations and target modifications. Grounded in Kleene's Second Recursion Theorem, we demonstrate the theoretical existence of such introspective programs. However, an empirical review reveals that while current LLMs exhibit quasi-introspection (e.g., partial metacognition), they fall short of true introspection due to structural bottlenecks: a lack of complete self-access, the feedforward nature of the Transformer, and computational class constraints that prevent fixed-point iteration. We conclude by outlining architectural paths to cross this complexity threshold and discussing the associated safety implications.
• Abstract（参考訳）: 自己進化型AIの追求は、決定的な疑問を提起する: 自律的な自己改善はいつ、退化ではなく持続可能か? 自己再生オートマトンに対するフォン・ノイマンの複雑性しきい値に類似して、我々はLarge Language Models (LLM)における持続的再帰的自己改善には機能的な類似:イントロスペクション(introspection) -- システム自身の操作をシミュレートし、ターゲット修正を行う能力が必要であると主張している。 クリーネの第二再帰定理に基づいて、そのような内観的プログラムの理論的存在を実証する。 しかし、実証的なレビューでは、現在のLLMは準イントロスペクション(例えば部分的メタ認知)を示すが、完全な自己アクセスの欠如、トランスフォーマーのフィードフォワードの性質、固定点反復を防ぐ計算クラス制約といった構造的ボトルネックのため、真のイントロスペクションに欠けることが明らかになった。 この複雑性のしきい値を越えるためのアーキテクチャパスの概要と、関連する安全性への影響について議論することで、私たちは結論付けます。

関連論文リスト

• Think Deep, Speak Once: Relit, A Recursive Latent Implicit Transformer Framework [2.007262412327553]
  本稿では,暗黙的推論を深く,意味的に基礎づけたハイブリッドフレームワークReLITを紹介する。 ReLITはパラメータ幅ではなく、繰り返しの深さで効率的にスケール可能であることを示す。 これらの結果から,パラメータ幅ではなく再帰的な深さで推論能力を効率的に拡張できることが示唆された。
  論文  参考訳（メタデータ） (2026-08-08T12:50:51Z)
• Position: It's Time to Optimize LLMs for Self-Consistency [50.68587056599734]
  多くの重要な障害は、事前および後トレーニングパイプラインの言語モデルに持続する。 これらの失敗は、パイプラインのすべての側面に浸透するモデリングの前提から生じます。 これらの失敗を理解するためのフレームワークとして,自己整合性を提案する。
  論文  参考訳（メタデータ） (2026-07-31T19:16:53Z)
• Recursive Self-Improvement in AI: From Bounded Self-Refinement to Autonomous Research Loops [7.159691098846351]
  この文学は、根本的に異なる野望を混同した語彙(セルフ・リファイン(self-refine)、「セルフ・リワード(self-reward)」、「セルフ・プレイ(self-play)」、「セルフ・エボレーヴ(self-evolve)」(self-evolve))で説明される。 我々は,2つの軸に沿って1,250のarXiv論文を調査した。
  論文  参考訳（メタデータ） (2026-07-08T17:19:50Z)
• From Knowing to Acting: Benchmarking Self-Awareness Capability of LLM Agents [69.07911499189129]
  エージェントのメタ認知判断(Knowing)を自発的実行(Acting)から切り離して認知行動アライメントを評価するフレームワークであるKAPROを紹介する。 実験の結果,自己認識能力はタスク成功と強く相関するが,内部能力設定では著しく低下することがわかった。 プロプライエタリで推論指向のモデルは、より信頼性の高い認知ゲーティングを示します。
  論文  参考訳（メタデータ） (2026-06-09T17:17:08Z)
• The Devil Behind Moltbook: Anthropic Safety is Always Vanishing in Self-Evolving AI Societies [57.387081435669835]
  大規模言語モデルから構築されたマルチエージェントシステムは、スケーラブルな集合知性と自己進化のための有望なパラダイムを提供する。 エージェント社会が継続的自己進化、完全隔離、安全性の不変性を満たすことは不可能であることを示す。 我々は、特定された安全上の懸念を軽減するために、いくつかの解決方法を提案する。
  論文  参考訳（メタデータ） (2026-02-10T15:18:19Z)
• Why Self-Rewarding Works: Theoretical Guarantees for Iterative Alignment of Language Models [50.248686344277246]
  自己回帰言語モデル(SRLM)は、外部からのフィードバックなしに反復的にアライメントを改善することに成功している。 本稿では,SRLMの厳密な理論的保証について述べる。
  論文  参考訳（メタデータ） (2026-01-30T03:45:43Z)
• On the Limits of Self-Improving in LLMs and Why AGI, ASI and the Singularity Are Not Near Without Symbolic Model Synthesis [0.01269104766024433]
  我々は,大規模言語モデル(LLM)における自己学習と生成AIを離散時間力学系として定式化する。 1) 有限サンプリング効果が分布多様性の単調な損失(モード崩壊)を引き起こすエントロピー減衰と,(2) 外部グラウンドの損失がモデルの真理表現をランダムウォークとして漂流させる変数増幅の2つの基本的障害モードを導出する。
  論文  参考訳（メタデータ） (2026-01-05T19:50:49Z)
• Autoregressivity in the Latent Space of a GP-VAE Language Model: An Empirical Ablation Study [0.0]
  言語モデルは一般的にトークンに対する自己回帰的分解に依存します。 我々は,潜伏自己回帰が果たす役割について,体系的なアブレーション研究を行う。
  論文  参考訳（メタデータ） (2025-12-30T09:23:09Z)
• Agent0-VL: Exploring Self-Evolving Agent for Tool-Integrated Vision-Language Reasoning [52.99434388759101]
  ツール統合推論による継続的改善を実現する自己進化型視覚言語エージェントを提案する。 Agent0-VLは、ツールの使用法を推論だけでなく、自己評価や自己修復にも取り入れている。 実験の結果,Agent0-VLはベースモデルよりも12.5%向上していることがわかった。
  論文  参考訳（メタデータ） (2025-11-25T04:15:14Z)
• Emergence of Self-Identity in AI: A Mathematical Framework and Empirical Study with Generative Large Language Models [4.036530158875673]
  本稿では,AIシステムにおける自己同一性の定義と定量化のための数学的枠組みを提案する。 我々の枠組みは、2つの数学的に定量化された条件から自己同一性が生じることを示唆している。 本研究の意義は、ヒューマノイドロボット工学や自律システムの分野に即時に関係している。
  論文  参考訳（メタデータ） (2024-11-27T17:23:47Z)
• A Theoretical Understanding of Self-Correction through In-context Alignment [51.622068973630796]
  大規模言語モデル(LLM)は自己補正によって純粋に能力を向上させることができる。 LLMが比較的正確な自己評価を報酬として与える場合、文脈内応答を補充できることを示す。 これらの知見に触発されて,LLMジェイルブレイクに対する防御などの自己補正の応用についても解説した。
  論文  参考訳（メタデータ） (2024-05-28T22:33:02Z)

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。