Оскільки великі мовні моделі (LLM) переходять від контрольованих навчальних середовищ до відкритих реальних програм, виникає критичне обмеження: статичне навчання не може встигати за безперервними змінами навколишнього середовища. Ця стаття обґрунтовує нову вісь масштабування — еволюцію — для подолання цього «розриву між навчанням і розгортанням». Вона пропонує агентну еволюцію як майбутнє адаптації LLM, піднімаючи еволюцію від фіксованого конвеєра до автономного агента-еволютора. Фреймворк A-Evolve розглядає покращення під час розгортання як цілеспрямований процес оптимізації над постійним станом системи, постулюючи гіпотезу масштабування еволюції, де здатність до адаптації масштабується з виділеними обчисленнями, що призводить до стійкої, відкритої адаптації в реальних сценаріях.