**立場：エージェンシーの進化がLLM進化の道筋である**

要旨

大規模言語モデル（LLM）が精選された訓練データセットから無限に広がる実世界環境へ移行するにつれ、根本的な限界が顕在化している：静的な訓練は継続的に変化する展開環境の変化に追従できない。訓練時と推論時の計算資源をスケールアップすることで静的能力は向上するが、この訓練と展開のギャップを埋めることはできない。我々は、この限界を克服するには新たなスケーリング軸としての「進化」が必要であると主張する。既存の展開時適応手法（パラメトリックなファインチューニングであれ、ヒューリスティックな記憶蓄積であれ）は、失敗を診断し持続的な改善を生み出すための戦略的行動主体性を欠いている。我々の立場は、進化そのものを固定されたパイプラインから自律的な進化主体（エボルバーエージェント）へと昇華させる、主体性を持つ進化（エイジェンティック・エボリューション）がLLM適応の必然的な未来を象徴するというものである。このビジョンを一般化した枠組み「A-Evolve」として具体化し、展開時の改善を永続的なシステム状態に対する意図的かつ目標指向の最適化プロセスとして位置付ける。さらに「進化スケーリング仮説」を提唱する：適応能力は進化に割り当てられる計算資源とともにスケールする。これにより、主体性を持つ進化は実世界における持続的で無限の適応に向けたスケーラブルな道筋として位置付けられる。

English

As Large Language Models (LLMs) move from curated training sets into open-ended real-world environments, a fundamental limitation emerges: static training cannot keep pace with continual deployment environment change. Scaling training-time and inference-time compute improves static capability but does not close this train-deploy gap. We argue that addressing this limitation requires a new scaling axis-evolution. Existing deployment-time adaptation methods, whether parametric fine-tuning or heuristic memory accumulation, lack the strategic agency needed to diagnose failures and produce durable improvements. Our position is that agentic evolution represents the inevitable future of LLM adaptation, elevating evolution itself from a fixed pipeline to an autonomous evolver agent. We instantiate this vision in a general framework, A-Evolve, which treats deployment-time improvement as a deliberate, goal-directed optimization process over persistent system state. We further propose the evolution-scaling hypothesis: the capacity for adaptation scales with the compute allocated to evolution, positioning agentic evolution as a scalable path toward sustained, open-ended adaptation in the real world.

立場：エージェンシーの進化がLLM進化の道筋である

Position: Agentic Evolution is the Path to Evolving LLMs

要旨

Support