**포지션: 에이전시 진화가 LLM 진화의 길이다**

초록

대규모 언어 모델(LLM)이 선별된 훈련 데이터셋에서 열린 실세계 환경으로 이동함에 따라 근본적인 한계가 대두된다. 정적인 훈련은 지속적으로 변화하는 배포 환경의 속도를 따라갈 수 없다. 훈련 시 및 추론 시 연산 자원을 확장하면 정적 능력은 향상되지만, 이러한 훈련-배포 간격을 해소하지는 못한다. 우리는 이 한계를 해결하기 위해 새로운 확장 축인 '진화(evolution)'가 필요하다고 주장한다. 기존의 배포 시점 적응 방법론, 즉 매개변수 미세 조정이든 경험적 메모리 누적이든, 실패를 진단하고 지속적인 개선을 생산하기 위한 전략적 주체성(agency)이 부족하다. 우리의 입장은 주체적 진화(agentic evolution)가 LLM 적응의 불가피한 미래를 나타내며, 진화 자체를 고정된 파이프라인에서 자율적인 진화 주체(evolver agent)로 격상시킨다는 것이다. 우리는 이러한 비전을 일반적인 프레임워크인 A-Evolve로 구체화하며, 여기서 배포 시점 개선은 지속적인 시스템 상태에 대한 의도적이고 목표 지향적인 최적화 과정으로 취급된다. 우리는 더 나아가 '진화-확장 가설(evolution-scaling hypothesis)'을 제안한다. 즉, 적응 능력은 진화에 할당된 연산 자원에 따라 확장되며, 이는 주체적 진화를 실세계에서 지속적이고 열린 적응을 달성하는 확장 가능한 경로로 위치시킨다.

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.

포지션: 에이전시 진화가 LLM 진화의 길이다

Position: Agentic Evolution is the Path to Evolving LLMs

초록

Support