この動画について
モデルに時刻情報を与えなくても、学習の工程そのものには過去から現在へ進む向きがある――この動画では、Replayという継続学習の仕組みから「時間の非対称性」を読み解き、当社がモデル世代間で想起集合を固定測定してきた観測結果、すなわち更新窓の記事量と想起確率変化の対応をご紹介します。
全4話のシリーズ「LLMは『時間』を獲得するのか ― リアルタイム学習とPRのゆくえ」の第2話です。広報・PR担当者に向けて、LLMの世代更新で何が動くのかを解説しています。
▼この動画でわかること
・Replayが生む「過去データと新規データの非対称性」という構造
・「時間を理解したか」ではなく「更新時点が出力へどう現れるか」への問いの限定
・「知っている」と「思い出す」を分ける想起集合という視点
・更新窓の記事量とΔRR（想起確率変化）が対応していた当社の観測
▼シリーズ本編はnoteで無料公開中
動画で扱った当社観測の背景と、査読研究が支持する範囲・当社仮説の切り分けは、note記事で詳しくお読みいただけます。
https://note.com/todoonada/m/m7ac13829155a
▼「想起集合の世代間変化」を、そのまま測定できます
本動画のテーマである想起集合の変化を測定対象とするのが、LLM認識計測ツール「ディギディギ」です。想起シェア・正引き／逆引き・引用デバッグで、事前学習データ上の立ち位置を可視化します。単体月額10,000円、Qlipperご契約者は追加費用なし。
https://digidigi.qlipper.jp
LLMOのお悩みを、ディギディギの画面を見ながらご相談いただける1on1ミーティングも開催しています。
https://timerex.net/s/qlipper/f8f13c89/
▼運営
株式会社トドオナダ
PR効果測定サービス「Qlipper」https://qlipper.jp
LLM認識計測ツール「ディギディギ」https://digidigi.qlipper.jp/
▼主な参考文献・一次資料
・Cossu, A. et al. (2024) Neural Networks 179:106492. DOI: 10.1016/j.neunet.2024.106492
・Abbes, I. et al. (2026) PMLR 330:465–486.
・Longpre, S. et al. (2024) NAACL 2024, 3245–3276. DOI: 10.18653/v1/2024.naacl-long.179
・Zheng, J. et al. (2025) ACM Computing Surveys. DOI: 10.1145/3716629
#LLMO #広報 #PR #生成AI #想起集合 #継続学習 #ブランド認知 #AI検索対策
