LLMO（Large Language Model Optimization）とは — 意味・起源・GEO との違いと「AI に覚えさせる」の誤解

• 最終検証日：2026年8月13日
• 正式名称：Large Language Model Optimization
• 日本語表記：大規模言語モデル最適化
• 用語ステータス：Established in Industry / Definition Fragmented / Domain Ambiguous
• SILVE での扱い：Adopted Concept（独立したスコアのレイヤーには使わない）
• 本文中の「2026.08.xx」：その訂正を行った判断基準の版の番号です。公開した版は書き換えず、訂正は新しい版として残しています

結論

LLMO（Large Language Model Optimization）は、Web マーケティングの文脈では、大規模言語モデル（LLM）を利用する AI システムに、自社・ブランド・商品・人物・コンテンツの情報を正確に理解・利用してもらい、回答内で適切に言及・引用・推薦される状態を整える取り組みを指す言葉です。

この記事で最も伝えたいのは、「LLMO ＝ AI に自社を覚えさせること」という理解が不十分だという点です。

現在の ChatGPT や Gemini は、学習時に獲得した内部知識だけで回答するとは限りません。回答時に検索・取得・grounding を行う仕組みでもあります。OpenAI は検索掲載用の OAI-SearchBot と学習用の GPTBot を明確に分離しており、学習を拒否しながら検索には掲載される設定が公式に想定されています。

したがって LLMO を理解するには、情報が AI に届く経路を分けて考える必要があります。

もう一つ、この用語には固有の問題があります。「Large Language Model Optimization」という英語は、機械学習研究では「LLM そのものを最適化する」というまったく別の意味でも使われています。 AEO や GEO 以上に、文脈を明示して使う必要のある語です。

SILVEにおける操作的定義

SILVE では、検索・Web マーケティング領域における LLMO を次のように定義します。

大規模言語モデルを利用して回答・対話・推薦等を行うシステムが、公開された企業・ブランド・商品・人物・コンテンツ等の情報を正確に理解・取得・利用し、適切な文脈で言及・引用・推薦できる情報環境を整える取り組み。

重要なのは、「LLM そのものに自社情報を覚えさせること」だけを LLMO とは定義しないことです。

そのうえで SILVE は、情報が LLM ベースのサービスへ届く経路を 3 つに分けます。

この分離が LLMO 診断の中核です。 経路を混ぜたまま「LLMO 対応度」を測ると、何を改善したのか説明できなくなります。

なおこの定義は業界標準を主張するものではありません。SILVE の記事・診断・評価基準を一貫させるための操作的定義です。

起源と初期史

LLMO の明確な命名者は確認できていません。SILVE が確認できた早期の業界用例は、2023 年 10 月 12 日に Search Engine Land へ掲載された Olaf Kopp の記事です。ただし Kopp 本人は「最初期の語のひとつだった」「自分がその記事で使った」とは述べているものの、自分が命名したとは主張していません。

順に見ていきます。記事の本文にはこう書かれています。

But is it possible to proactively influence AI performance via large language model optimization (LLMO) or generative AI optimization (GAIO)?

この一文で LLMO と GAIO が同時に導入されています。記事は GPT・Google Bard・Bing Chat を対象に、生成 AI がどのブランドや商品を推薦するのか、企業側から影響を与えられるのかを論じたものです。

重要なのは、Kopp 自身が命名を主張していないことです。 彼の現在のサイトにはこう書かれています。

The term LLMO was one of the first, along with GEO and GAIO, and I used it in my first post on Search Engine Land on the topic in October 2023.

「最初期の語のひとつだった」「自分が 2023 年 10 月の記事で使った」とは書いていますが、自分が発明した／命名したとは書いていません。 実際、同じページで GAIO については Philipp Klöckner が最初に言及したと他者に帰属させています。

したがって SILVE では、後発サイトなどで見られる「LLMO was coined by Olaf Kopp in 2023」という表現を、確定した歴史的事実として採用しません。

「2023年10月12日は LLMO の誕生日」ではない

この日付から確認できるのは、2023 年 10 月 12 日時点で、Web マーケティングの文脈において LLMO という語が公開記事の本文で使われていたという事実だけです。それ以前に別の人物・媒体が同じ名称を使っていなかったことを証明するものではありません。

そのため SILVE のレコードでは First Known Use（初出）ではなく Early Verified Industry Use（確認できた早期の業界用例） というフィールドを使います。

調査時に踏みかけた落とし穴

Kopp について検索すると「2021 年に Olaf Kopp が考案した」という記述が出てきます。しかし本文を確認すると、これは LLMO ではなく "Digital Authority Management" という別の概念についての記述でした。

検索結果の要約だけを根拠にしていれば、誤った起源を書くところでした。用語の起源を扱うときは必ず本文まで開く、という原則が効いた例です。

歴史

LLMO は GEO より先に使われていたのか

現在確認できる主要資料の時系列では、Kopp の記事が 2023 年 10 月 12 日、GEO を体系化した論文が 2023 年 11 月 16 日です。したがって LLMO の明確な業界用例は、GEO 原論文より約 1 か月早く存在します。

ただしこれは「LLMO が GEO の元になった」ことを意味しません。両者は別の人物・別の文脈からほぼ同時期に現れ、その後対象領域が大きく重なった概念として扱うのが適切です。因果関係を示す資料は確認できていません。

現在の業界用法

LLMO には統一された業界標準の定義がありません。同じ媒体の中でも整理が揺れています。

★ ここは 2026.08.38 で訂正しました。 この記事は以前、Search Engine Land のガイドが「GEO＝検索の AI 回答に選ばれるか / LLMO＝モデルの内部知識の一部になるか」という位置づけを示している、と書いていました。現在のガイドを全文確認したところ、その分類は見当たりません。 帰属の誤りなので取り下げます。

現在のガイド（2025 年 11 月 27 日更新）が示す定義と区分はこうです。

LLMO は、content / website / brand presence を最適化して、ChatGPT Search・Google の AI Overviews・Perplexity といったツールの AI 生成回答に出るための実践である。

GEO との区分も「回答に選ばれるか / 内部知識か」ではなく、対象とする面の違い（GEO は回答を生成するあらゆる AI answer engine、LLMO は ChatGPT や Claude のような conversational AI）として書かれています。

それでも「整理が揺れている」という指摘自体は残ります。 同じガイドの中に、学習データ由来のブランドの関連付けについての説明と、現在の検索・引用での可視性についての説明が混在しているためです。ただしそれは、ガイドが 2 つを明示的に分類しているという意味ではありません。

なお、このガイドは独立資料として扱いません。 Search Engine Land は Semrush 所有で、ガイド自身が「Unless otherwise noted, this page's content was written by either an employee or a paid contractor of Semrush Inc.」と開示しています。一方、2023 年の Kopp の記事は買収より前の公開なので、この所有関係を遡って適用しません。

Olaf Kopp 自身は現在、LLMO と GEO をほぼ同じ実務領域として併記しています。彼は両者の違いを次のように整理しています。

• GEO — より一般的で、言語モデルの時代が終わっても使える
• LLMO — 現在の技術に固有で、言語モデルが別の技術に置き換われば適切でなくなる恐れがある

つまり「LLMO と GEO は明確に別の分野である」という分類も、「ほぼ同義である」という分類も存在します。どちらも業界全体の標準ではありません。 SILVE はこの差を消さずに記録します。

機械学習分野では別の意味で使われている

LLMO のもう一つの大きな問題です。「Large Language Model Optimization」という英語は、Web マーケティングだけの用語ではありません。

つまり同じ語で、

• Web マーケティングの LLMO — LLM ベースのサービス内で、企業やコンテンツの可視性を最適化する
• 機械学習の LLM Optimization — LLM モデルそのものの学習・推論・効率を最適化する

というまったく異なる意味があります。SILVE のレコードでは Domain Ambiguity: High を設定しています。英語圏の資料を検索するときは、この二重性を意識しないと無関係な論文を根拠にしかねません。

プラットフォーム別の位置づけ

OpenAI — 3 つの user-agent は用途と制御を分けて扱う

OpenAI は、OAI-SearchBot をオプトアウトしたサイトは ChatGPT の検索回答に表示されないと明記しています（ナビゲーションリンクとしては表示されうる）。

逆は言えません。 許可すれば必ず掲載される、とは書かれていません。拒否すれば出ないという否定側だけが明言されており、許可は参加の条件であって特定の回答への掲載を保証しません。準備状態（Readiness）と可視性（Visibility）の区別がここにも出ます。

★ 「完全に別系統」とは書きません（2026.08.38 で訂正）。 設定が互いに独立していることは OpenAI 自身の記述ですが、同じ文書は次のようにも述べています。

If your site has allowed both bots, we may use the results from just one crawl for both use cases to avoid duplicative crawling.

独立しているのは用途と robots.txt の設定であって、クロールの実装経路まで分離されているとは限りません。 分けて扱うべきなのは「何に使われるか」と「どう制御するか」で、取得が物理的に別々に走ることではありません。

したがって「ChatGPT-User を許可している ＝ ChatGPT Search 対応」という評価は成立しません。 ChatGPT-User は Web 全体を自動クロールするボットではなく、ユーザーが ChatGPT や Custom GPT から特定ページへアクセスする場合などに使われるものです。

GPTBot をブロックすると LLMO で不利になるのか

SILVE は一律に減点しません。

OpenAI は OAI-SearchBot を許可しながら GPTBot を拒否する設定を可能にしており、各設定は独立しています。これはつまり、

ChatGPT Search には掲載したい。しかし基盤モデルの学習にはコンテンツを使ってほしくない。

というポリシーが、OpenAI 自身によって想定されているということです。

「GPTBot をブロック ＝ LLMO 未対応」という評価は不適切で、特に知財・法務上の理由で学習を拒否する企業を不当に減点することになります。 SILVE は GPTBot の状態を Training Policy として表示しますが、スコアの単純な加減点にはしません。

Google — Search と Gemini は別系統、ただし単純な二分類でも足りない

Google の AI Overviews / AI Mode へのクロールのアクセス管理は Googlebot で行われます。AI 検索も Google Search の一部だからです。

ただしクロールできることと、生成 AI 機能に出る資格があることは別です（2026.08.38 で追記）。 Google の生成 AI 向け最適化ガイドは、Search の技術要件に加えて、サイトが Search Console で Search generative AI features に含まれている必要があるとしています。既定は「含める」ですが、除外されていれば技術要件を満たしていても出ません。詳細はAEO の記事に書いています。

一方 Google-Extended は別の制御トークンで、次の 3 つに関係します。

• 将来の Gemini モデルの学習
• Gemini Apps での grounding
• Vertex AI の Gemini での grounding

そして Google-Extended は Google Search への掲載にも、ランキングにも影響しません。

ここで注意が必要なのは、Google-Extended を「学習ボット」とだけ分類するのも不正確だという点です。grounding にも関係するため、「ブロックしても AI での露出には一切影響しない」という説明は誤りになります。正確には、

という、複数の capability を持つ制御です。

したがって SILVE はクローラを「検索ボット / 学習ボット」の二分類ではなく、ボット × 用途のマトリクスとして管理しています。

Google は LLMO を公式カテゴリとしていない

2026 年の Google 公式ガイドは、AEO（answer engine optimization）と GEO（generative engine optimization）を業界用語として明示的に取り上げ、Google Search ではそれらを SEO の範囲として整理しています。LLMO はこのガイドの本文に登場しません。

Google の基本的な立場は「Google Search の生成 AI 機能への最適化も検索体験への最適化であり、依然として SEO である」というものです。したがって「Google が LLMO という新しい最適化分野を公式に定義している」とは表現しません。

関連用語との違い

SILVE では、各名称が何を中心に据えているかで整理します。これは SILVE の操作的な整理であり、業界標準の分類ではありません。

ChatGPT のようなサービスは、LLM を使うシステムであると同時に Answer Engine でもあり、生成回答も返します。したがって実務上の施策は大幅に重複します。

LLMO の名称上の弱点は、最適化の対象を「Large Language Model」という現在の技術方式で表していることです。Kopp 自身も、言語モデルが別の技術に置き換われば LLMO という名称は適切でなくなる可能性を弱点として挙げています。GEO・AIO・AIEO・AAO などは、Engine・AI・Agent といったより上位の概念を名称にしています。

LLMO が独立した主要カテゴリとして残るのか、GEO などに吸収されるのかは不明です。SILVE は名称の勝者を予測せず、用法の変化を記録します。

実務で何を最適化するのか

LLMO 固有の万能施策は確立していません。したがって前述の 3 経路に沿って、目的を分けて設計します。

1. どの AI サービスに届けたいのかを決める — ChatGPT Search なのか、Google の AI 機能なのか、Gemini Apps なのかで、触るべき制御が違う
2. その経路のクローラにアクセスできるようにする — OpenAI なら OAI-SearchBot、Google の AI 検索なら Googlebot
3. 学習ポリシーを検索ポリシーと分けて決める — 知財・法務の判断であり、可視性とは独立している
4. 実体の情報を矛盾させない — 正式名称・ブランド名・表記が食い違わないようにする
5. 情報源を透明にする — 誰が、いつ、何を根拠に書いたか

「AI に覚えさせる」という一つの目標に集約しないこと。 これが LLMO 設計の要点です。

根拠が比較的強い施策

1. 対象サービスの取得経路にアクセスできる

OpenAI なら OAI-SearchBot、Google の AI 検索なら Googlebot。これはプラットフォームの公式文書で確認できます。

SILVE での扱い：Adopted / 配点対象・プラットフォーム別

2. Training Policy と Search Policy を分離する

GPTBot と OAI-SearchBot は別目的であり、Google-Extended も Google Search とは別の制御です。この分離自体が、SILVE が方法論として採用している原則です。

SILVE での扱い：方法論の原則として Adopted

3. 正確で具体的な一次情報を公開する

Google は生成 AI 検索について、独自で有用な、他所の焼き直しではないコンテンツを重視するよう案内しています。正式な企業情報、商品仕様、サービス条件、対応地域、独自データ、専門家情報などが該当します。

ただし これは Google の公式見解であり、すべての LLM へそのまま一般化できるものではありません。

SILVE での扱い：原則として Adopted / Google の公式根拠あり

4. 実体情報を矛盾させない

会社正式名称・ブランド名・商品名・英語表記・略称・住所・運営主体・代表者がページ間で食い違っていないか。

これは「LLMO のランキング要因が実証されている」という意味ではなく、システムが同一の実体を誤解しにくくするための運用上の原則として採用しています。日本企業では表記揺れが起きやすいため、特に確認する価値があります。

SILVE での扱い：原則として Adopted / 因果は未確立

まだ確立していないこと

「LLM が読みやすい文章」にすれば引用されるのか

LLMO の解説では、短文・箇条書き・FAQ・明確な見出し・小さなチャンク・結論先出しなどが頻繁に推奨されます。これらには人間にとって理解しやすいという一般的な価値があります。

しかし 特定の文章形式そのものが、すべての LLM で引用を増やす普遍的なシグナルとして確立しているわけではありません。 Google は Google Search の生成 AI 機能について、AI 専用のチャンキングも、AI 専用の書き換えも、専用の構造化データも不要だと明記しています。

SILVE は「LLM が好む文章形式だから」という理由だけでは加点しません。

SILVE での扱い：普遍的規則としては Not Adopted

構造化データは LLMO 対策なのか

構造化データそのものには価値があります。Google はページの内容や実体の理解に利用すると説明しています。しかし同時に、生成 AI 検索に表示されるために構造化データは必須ではなく、AI 専用のスキーマも存在しないとしています。

したがって「スキーマを実装した ＝ LLMO で加点」とはしません。機械可読性・実体の明確さ・検索での掲載資格といった、実際の役割に分解して評価します。

llms.txt

少なくとも Google Search では必須ではありません。Google は Google Search 自体が llms.txt を利用しておらず、設置しても有利にも不利にもならないと明記しています。

他のプラットフォームや将来のエージェントが利用する可能性は、別途プラットフォーム固有・実験的として管理します。

SILVE での扱い：Provisional / 配点なし

「ブランドを大量に言及させれば LLM が覚える」のか

初期 LLMO の発想と関係しますが、現在のスコアへ直接採用できるほど確立した因果関係ではありません。

2023 年の Kopp の記事では、学習データ内でブランド名と属性・文脈がどう共起するかが生成 AI の出力に影響する可能性が論じられていました。しかしサイト運営者の側から、

• その言及が学習データセットに入ったか
• どのモデルに影響したか
• どの程度の重みだったか
• いつ回答へ反映されたか

を決定論的に確認することはできません。OpenAI 自身も GPTBot について、取得したコンテンツが基盤モデルの学習に利用されうるという表現を使っており、許可すれば必ず記憶されるとは説明していません。

ただし「外部サイトでの言及は無意味だ」という強い結論にもできません。 第三者サイトでのブランド言及・評判・権威を重視する考え方は業界に広く存在し、Kopp も現在の LLMO / GEO をコンテンツだけでなく権威・評判のシグナルを含む取り組みとして定義しています。

SILVE では 重要な off-site シグナルの候補ではあるが、現在のサイト内準備状態診断だけでは測れないと分類します。

SILVE Readinessとの関係

LLMO については、準備状態と可視性に加えて Parametric Presence という第 3 の層を分けて考えます。

Parametric Presence を将来観測する場合も、学習データ内の実際の因果経路を外部から確認することは困難です。したがって準備状態スコアではなく実験的な観測として扱います。

「モデルの記憶」と「検索結果」を混ぜない

ChatGPT に「○○社とは何ですか」と聞いて正しい説明が返ってきたとして、その情報が

• モデルの内部知識から出たのか
• ChatGPT Search が Web から取得したのか
• ユーザー操作起点の取得でページを読んだのか

を区別しないまま評価すると、LLMO の分析を誤ります。

同様に、回答が変わったときも「サイトを修正したからモデルが再学習した」とは限りません。取得結果が変わっただけの可能性があります。 SILVE では可能な限り情報経路を記録してから評価します。

測定と限界

LLMO と SEO の関係

LLMO は SEO と完全に独立していません。取得を検索エンジンのインデックスに依存する AI システムでは、SEO の基礎が情報取得に影響します。Google の AI Overviews / AI Mode は Google Search のインデックスと既存の検索システムを基盤としています。

Kopp も、AI サービスがどの程度検索エンジンの取得に依存するかによって SEO の影響度が変わると説明しています。

したがって 「LLMO では SEO は不要」とは言えません。 一方で 「Google で 1 位ならすべての LLM で可視性が高い」とも限りません。 利用する取得システム、grounding の情報源、モデル、クエリによって経路が異なります。

単発のクエリで測らない

ChatGPT に一度質問して自社名が出たかどうかは、重要な観測ではありますが準備状態ではありません。モデル、検索状況、質問文、日時によって変化するため、決定論的なスコアには混ぜません。

まとめ

LLMO（Large Language Model Optimization）は、LLM を利用する AI サービスが企業・ブランド・商品・コンテンツを正確に理解・取得・利用し、適切な文脈で言及・引用・推薦できる情報環境を整える取り組みです。

要点は次のとおりです。

1. 明確な命名者は確認できていない。 確認できた早期の業界用例は 2023 年 10 月 12 日の Olaf Kopp / Search Engine Land。ただし Kopp 本人は命名を主張していない
2. LLMO の明確な業界用例は GEO 原論文より約 1 か月早いが、両者の因果関係は確認できない
3. LLM そのものと、LLM ＋ 検索 ＋ 取得で構成された AI サービスは別物である
4. GPTBot と OAI-SearchBot は用途が異なる。学習を拒否しながら ChatGPT Search への掲載は許可できる
5. ChatGPT-User は掲載可否を決めるクローラではない
6. Google-Extended は学習だけでなく Gemini 系の grounding にも関係するが、Google Search の掲載・ランキングには影響しない
7. Google は LLMO を公式の最適化カテゴリとして定義していない（公式ガイドが挙げるのは SEO / AEO / GEO）
8. llms.txt・AI 専用チャンキング・LLM 専用の文体を普遍的規則として採用できる根拠はない
9. LLMO と GEO の境界は標準化されていない
10. 「Large Language Model Optimization」は機械学習研究ではモデル自体の最適化という別義でも使われる
11. SILVE では Parametric Knowledge / 取得 / User Fetch を分離し、準備状態と可視性と Parametric Presence も混ぜない

LLMO を「ChatGPT に自社を覚えさせるための SEO」と理解するのは不十分です。より正確には、LLM を利用した AI システムに情報が届く複数の経路を理解し、企業のポリシーを守りながら、正確な情報を必要な経路で利用可能にするための最適化として捉える必要があります。

Canonical Record

この記事の判断を、あとから検証できる形で記録したものです。本文の結論（Core Rules）と、SILVE が内部で持つ記録の項目、参照した一次資料が入っています。

Term: LLMO Canonical Name: Large Language Model Optimization Japanese: 大規模言語モデル最適化 Status: Established in Industry / Definition Fragmented Domain Ambiguity: High SILVE Adoption: Adopted Concept（独立したスコアのレイヤーには使わない）

起源

Originator	確立していない
Early Verified Industry Use	2023-10-12（Olaf Kopp, Search Engine Land）
Originator Confidence	Low
Origin Year Confidence	Low
Early-use Confidence	High

独立資料が確認すること — 2023 年 10 月 12 日時点で LLMO という語が Web マーケティングの文脈で公開記事に使われていたこと。 独立資料が確認しないこと — Kopp が命名したこと、それが史上初の使用であったこと、当時すでに標準的な定義が存在したこと。

GEO との時系列 — LLMO の確認済み初期用例（2023-10-12）は GEO 原論文（2023-11-16）より早い。ただし LLMO → GEO という起源関係は確認されていない。

用語の二重性

領域	意味
SILVE の対象範囲	LLM ベースの AI システムにおける企業・ブランド・コンテンツの理解／取得／利用の最適化
機械学習	LLM 自体の学習・パラメータ最適化・推論効率などの技術的最適化

情報経路

Parametric Knowledge（学習による内部知識）／ 取得・外部参照（回答時の外部取得）／ User-initiated Fetch（ユーザー操作起点の取得）を、それぞれ別のものとして扱う。

クローラと制御

制御	用途	SILVE での扱い
OAI-SearchBot	ChatGPT Search への掲載	準備状態関連・配点対象
GPTBot	基盤モデルの学習	Training Policy・加点なし
ChatGPT-User	ユーザー操作起点の取得	掲載判定とは分離
Googlebot	Google Search / AI 機能	準備状態関連・配点対象
Google-Extended	Gemini の学習＋一部 grounding	Google Search の掲載・ランキングとは分離

SILVE Operational Definition

大規模言語モデルを利用して回答・対話・推薦等を行うシステムが、公開された企業・ブランド・商品・人物・コンテンツ等の情報を正確に理解・取得・利用し、適切な文脈で言及・引用・推薦できる情報環境を整える取り組み。

証拠の範囲

確立している（プラットフォーム公式で確認）

• 検索用クローラと学習用クローラを分離できるプラットフォームが存在する
• OpenAI では OAI-SearchBot と GPTBot が独立している
• 学習の拒否と ChatGPT Search への参加は両立できる
• Google-Extended は Google Search のランキングとは別の制御である
• Google-Extended は Gemini の学習と一部 grounding に関係する

運用上の原則として採用

• 実体情報の一貫性 / 情報源の透明性 / 正確な一次情報 / プラットフォーム別の取得経路 / 学習ポリシーと検索ポリシーの分離

暫定・off-site

• ブランドと文脈の結びつき / 第三者サイトでの言及 / 評判・権威のシグナル / 長期的な Parametric Presence

普遍的な要因としては未確立

• llms.txt / AI 専用チャンキング / LLM 専用の文体 / AI 専用の構造化データ / 学習用クローラの許可 / 一定数のブランド言及 / 単発クエリでの推薦テスト

測定方針

準備状態（決定論的なサイト・情報状態）、可視性（言及・引用・推薦・流入の観測結果）、Parametric Presence（モデル内部知識の実験的観測）を分離する。Training Policy は企業の知財・データ利用ポリシーであり、原則として品質スコアへ混ぜない。

Last Verified: 2026-08-11

一次資料

業界資料

• Olaf Kopp — LLM optimization: Can you influence generative AI outputs?（Search Engine Land、2023-10-12） https://searchengineland.com/large-language-model-optimization-generative-ai-outputs-433148
• Olaf Kopp — LLMO / Generative Engine Optimization (GEO) https://www.kopp-online-marketing.com/llmo-how-do-you-optimize-for-the-answers-of-generative-ai-systems
• Search Engine Land — What is LLMO? Optimize content for AI & large language models https://searchengineland.com/guides/large-language-model-optimization-llmo

プラットフォーム公式

• Google Search Central — AI features and your website https://developers.google.com/search/docs/fundamentals/ai-optimization-guide
• Google Search Central — Google クローラの概要（Google-Extended） https://developers.google.com/search/docs/crawling-indexing/google-common-crawlers
• OpenAI — Bots https://developers.openai.com/api/docs/bots

同名異義（機械学習分野）

• EA4LLM: A Gradient-Free Approach to Large Language Model Optimization via Evolutionary Algorithms（arXiv、2025-10） https://arxiv.org/abs/2510.10603
• GRACE: A Dynamic Coreset Selection Framework for Large Language Model Optimization（arXiv、2026-04） https://arxiv.org/abs/2604.11810