論文の概要: PAPER2LLM++: Continual Self-Evolution of LLMs from Research Papers

• arxiv url: http://arxiv.org/abs/2610.02793v1
• Date: Fri, 02 Oct 2026 04:33:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.20807
• Title: PAPER2LLM++: Continual Self-Evolution of LLMs from Research Papers
• Title（参考訳）: PAPER2LLM++:研究論文からのLLMの継続的な自己進化
• Abstract要約: 研究論文からLLMの継続的自己進化のための枠組みを導入する。 モデルでは,早期の利益を維持しつつ,新たな発見を段階的に取り入れることができることを示す。
• 参考スコア（独自算出の注目度）: 20.907073092297598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Research on LLMs continually uncovers model limitations, their causes, and potential solutions. Yet these human discoveries remain largely disconnected from model evolution: an LLM does not automatically learn from new research about its own failures. We introduce PAPER2LLM++, a framework for continual self-evolution of LLMs from research papers. Rather than treating papers merely as knowledge to retrieve, PAPER2LLM++ uses the growing literature as a stream of evidence and supervision for model improvement. For each incoming paper, it extracts evidence-grounded findings, tests whether the reported limitation persists in the current model, and, when needed, converts the findings into candidate learning signals. A try-evaluate-commit procedure integrates an update only when it improves the targeted behavior without substantially forgetting prior improvements or degrading general capabilities. Across a sequential stream of research-discovered LLM failures, we show that models can progressively incorporate new findings while retaining earlier gains. PAPER2LLM++ thus takes a step toward closing the loop between human discovery and model evolution, enabling models to continually learn from research about their own limitations and improvements.
• Abstract（参考訳）: LLMの研究は、モデル制限、その原因、潜在的な解決策を継続的に明らかにしている。 しかし、これらの人間の発見はモデル進化から大きく切り離されたままであり、LSMは自身の失敗に関する新しい研究から自動的に学ばない。 研究論文からLLMの継続的自己進化のためのフレームワークであるPAPER2LLM++を紹介する。 PAPER2LLM++は、論文を単に取得する知識として扱うのではなく、増大する文献をモデル改善のための証拠と監督のストリームとして利用する。 入力された各論文に対して、エビデンスを基底とした結果を抽出し、報告された制限が現在のモデルに持続するかどうかを検証し、必要に応じて、その結果を候補学習信号に変換する。 try-evaluate-commitプロシージャは、以前の改善を忘れたり、一般的な機能を低下させたりすることなく、ターゲットの動作を改善する場合にのみアップデートを統合する。 研究によって発見されたLSM障害の連続的なストリームを通して、モデルが早期の利益を維持しつつ、新たな発見を段階的に組み込むことができることを示す。 PAPER2LLM++は、人間の発見とモデルの進化の間のループを閉じるための一歩を踏み出した。

関連論文リスト

• Discovering Novel LLM Experts via Task-Capability Coevolution [11.383365565440949]
  我々は,共進化を大規模言語モデル(LLM)発見に拡張する新しいモデル開発フレームワークを導入する。 AC/DCはモデルマージと合成データ生成による自然言語タスクを通じてLLMを進化させる。 本研究は,LLMから幅広い機能セットを発見する手段として,コエボリューションの可能性を強調した。
  論文  参考訳（メタデータ） (2026-04-16T13:06:11Z)
• Causality for Large Language Models [37.10970529459278]
  数十億または数兆のパラメータを持つ大規模言語モデル(LLM)は、膨大なデータセットでトレーニングされており、一連の言語タスクで前例のない成功を収めている。 近年の研究では、LLMは因果オウムとして機能し、因果知識を真に理解したり応用したりすることなくリサイクリングすることができることが強調されている。 本調査は, ライフサイクルのすべての段階において, 因果性がどのようにLCMを強化するかを検討することを目的としている。
  論文  参考訳（メタデータ） (2024-10-20T07:22:23Z)
• A Survey on Self-Evolution of Large Language Models [116.54238664264928]
  大規模言語モデル(LLM)は、様々な分野やインテリジェントエージェントアプリケーションにおいて大きく進歩している。 この問題に対処するために、LLMが自律的に獲得し、洗練し、モデル自身によって生成された経験から学ぶことができる自己進化的アプローチが急速に成長している。
  論文  参考訳（メタデータ） (2024-04-22T17:43:23Z)
• PoLLMgraph: Unraveling Hallucinations in Large Language Models via State Transition Dynamics [51.17512229589]
  PoLLMgraphは、大規模言語モデルのためのモデルベースのホワイトボックス検出および予測手法である。 LLMの内部状態遷移ダイナミクスを解析することにより,幻覚を効果的に検出できることを示す。 我々の研究は、LLMのモデルベースのホワイトボックス分析の新しい手法を開拓し、LLMの振る舞いの複雑なダイナミクスをさらに探求し、理解し、洗練する研究コミュニティを動機付けている。
  論文  参考訳（メタデータ） (2024-04-06T20:02:20Z)
• Small Models, Big Insights: Leveraging Slim Proxy Models To Decide When and What to Retrieve for LLMs [60.40396361115776]
  本稿では,スリムプロキシモデルを用いた大規模言語モデル (LLM) における知識不足を検知する新しい協調手法であるSlimPLMを提案する。 パラメータがはるかに少ないプロキシモデルを採用し、回答を回答としています。 ヒューリスティックな回答は、LLM内の既知の未知の知識と同様に、ユーザの質問に答えるために必要な知識を予測するのに使用される。
  論文  参考訳（メタデータ） (2024-02-19T11:11:08Z)
• (Why) Is My Prompt Getting Worse? Rethinking Regression Testing for Evolving LLM APIs [8.403074015356594]
  大規模言語モデル(LLM)はますますソフトウェアアプリケーションに統合されている。 LLMはサイレントに更新され、非推奨にされる。 これはパフォーマンスの低下を引き起こし、迅速な設計選択に影響を与える可能性がある。
  論文  参考訳（メタデータ） (2023-11-18T17:11:12Z)

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。