論文の概要: LLMersion: A Local-First AI Agent Framework for Low-Cost Home Language Learning toward Educational Equity

• arxiv url: http://arxiv.org/abs/2609.29672v1
• Date: Sat, 12 Sep 2026 01:00:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.105231
• Title: LLMersion: A Local-First AI Agent Framework for Low-Cost Home Language Learning toward Educational Equity
• Title（参考訳）: LLMersion:低コスト家庭言語学習のためのローカルファーストAIエージェントフレームワーク
• Abstract要約: 我々は、AIで書かれたAIで理解され、AIで更新された誰でもカスタマイズできる、家庭で完全に動作する教育用AIスキームを提案する。 フル4スキルのスタックが200ドル(約2万2000円)級のラップトップに収まり、学習時間あたり約1米ドルの電力を消費するペースで生成される。
• 参考スコア（独自算出の注目度）: 1.0518862318418605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence helps education most where an essential provision has been rationed by cost. For language learners that provision is a teacher's voice, which binds listening, reading, speaking, and writing into one act. Published evidence shows why most learners lack it, from a global shortage of 44 million teachers to heavy household tutoring bills, and why technology has not substituted for it: computer-assisted language learning proved effective but narrow, applications presuppose connectivity 2.6 billion people lack, and One Laptop per Child's randomized evaluation found that hardware without capable software teaches nothing. We distill eight difficulties and four binding constraints, and argue that small open-weight models dissolve the last: a complete four-skill stack now fits a \$200-class laptop and, on community measurements, generates at the pace speech is consumed, for about one US cent of electricity per study hour. We therefore propose LLMersion, a scheme for AI for education that runs entirely at home, over the learner's own documents, with an AI-written, AI-understood, AI-updated codebase anyone can customize; present LLMersion-1, a released open-source prototype (https://github.com/QM378/LLMersion); and outline the vision of a private learning agent.
• Abstract（参考訳）: 人工知能は、重要な規定がコストによって制限された場合の教育に役立ちます。 言語学習者にとって、その規定は教師の声であり、聞き取り、読み出し、話し、文章を一つの行為に結び付ける。 コンピュータ支援言語学習(英語版)は効果的だが狭く、アプリケーションは260億人の人々がいないことを前提としており、児童1人当たりのランダムな評価では、ハードウェアが有能なソフトウェアを使わずに何も教えないことが判明した。 完全な4スキルのスタックは200ドル級のラップトップに適合し、コミュニティの計測では、学習1時間あたり約1USセントの電力が消費されるペーススピーチで生成される。 LLMersion-1は、オープンソースプロトタイプ(https://github.com/QM378/LLMersion)を公開し、プライベート学習エージェントのビジョンを概説する。

関連論文リスト

• Toward Training Superintelligent Software Agents through Self-Play SWE-RL [66.11447353341926]
  セルフプレイSWE-RLは、超知能ソフトウェアエージェントのトレーニングパラダイムに向けた第一歩である。 当社のアプローチでは,ソースコードとインストール済みの依存関係を備えたサンドボックスリポジトリへのアクセスのみを必要としています。 我々の成果は、早い段階で、エージェントが現実世界のソフトウェアリポジトリから広範囲にわたる学習経験を自律的に収集する道のりを示唆している。
  論文  参考訳（メタデータ） (2025-12-21T00:49:40Z)
• Aurora-M: Open Source Continual Pre-training for Multilingual Language and Code [123.7406091753529]
  本稿では,英語,フィンランド語,ヒンディー語,日本語,ベトナム語,コードに基づく15Bパラメータの多言語オープンソースモデルであるAurora-Mを提案する。 これは、人間がレビューした安全命令を微調整した初めてのオープンソース多言語モデルである。 我々はAurora-Mを幅広いタスクや言語で評価し、破滅的な忘れ物に対する頑健さを示した。
  論文  参考訳（メタデータ） (2024-03-30T15:38:54Z)
• Distributed agency in second language learning and teaching through generative AI [0.0]
  ChatGPTは、テキストまたは音声形式のチャットを通じて非公式な第二言語プラクティスを提供することができる。 インストラクタはAIを使って、さまざまなメディアで学習と評価材料を構築することができる。
  論文  参考訳（メタデータ） (2024-03-29T14:55:40Z)
• Democratizing Reasoning Ability: Tailored Learning from Large Language Model [97.4921006089966]
  そこで我々は,そのような推論能力をより小さなLMに蒸留する,適切な学習手法を提案する。 対話型多ラウンド学習パラダイムを構築することにより,理科教員としてのLLMの可能性を活用する。 より小さなLMの推論可能性を活用するために,学生が自作ミスから学習する動機付けを目的とした自己回帰学習を提案する。
  論文  参考訳（メタデータ） (2023-10-20T07:50:10Z)
• Critical Appraisal of Artificial Intelligence-Mediated Communication [0.0]
  この本は、言語教育におけるAIによるコミュニケーションの長所と短所について考察する。 言語教師がCALLの教師教育と専門的開発に従事して、進化を続けるテクノロジーの展望に追随し、その教育効果を向上させることが不可欠である、と論じている。
  論文  参考訳（メタデータ） (2023-05-15T02:35:40Z)
• No Language Left Behind: Scaling Human-Centered Machine Translation [69.28110770760506]
  低レベルの言語と高レベルの言語のパフォーマンスギャップを狭めるためのデータセットとモデルを作成します。 何千ものタスクをトレーニングしながらオーバーフィッティングに対処するために,複数のアーキテクチャとトレーニングの改善を提案する。 本モデルでは,従来の最先端技術と比較して,BLEUの44%の改善を実現している。
  論文  参考訳（メタデータ） (2022-07-11T07:33:36Z)
• Emergent Communication Pretraining for Few-Shot Machine Translation [66.48990742411033]
  我々は、参照ゲームからの創発的コミュニケーションを介してニューラルネットワークを事前訓練する。 私たちの重要な前提は、実世界の環境の粗悪な近似として、画像に基づくコミュニケーションを基盤にすることで、帰納的に自然言語学習のモデルに偏りが生じる、ということです。
  論文  参考訳（メタデータ） (2020-11-02T10:57:53Z)

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。