登録して招待リンクを共有すると、動画再生報酬と紹介報酬を獲得できます。

検索結果 エージェントキムリアクティべーティッド
エージェントキムリアクティべーティッド コミュニティ
1つのキーワードが1つのコミュニティです。
コミュニティ作成
アカウント
見つかりません
エージェントキムリアクティべーティッド を含む検索結果
誘拐された娘のために敵を殺しまくる『エージェント・キム: リアクティべーティッド』が話題のソ・ジソプさんですが、『広場』では殺された弟の復讐のためにヤクザを片っ端から殺しまくっています。
もっと見る
弱そうに見えて、実はめちゃくちゃ強かった...😳💥 あなたが思う最強キャラNo.1は? ◆『エージェント・キム: リアクティべーティッド』キム部長(ソ・ジソブ) ◆『鉄槌教師』イム・ハンリム(チン・ギジュ) ◆『ビーキーパー』アダム・クレイ(ジェイソン・ステイサム) ◆『喧嘩独学』八潮秋(見上愛)
もっと見る
「娘に手を出したら全員殺す」 平凡なお父さんは元特殊工作員でした!ソ・ジソブ、「広場」に続く“超絶バイオレンス”! 『エージェント・キム: リアクティべーティッド』6月26日(金)よりNetflixで配信開始
もっと見る
エージェントの評価を自動化しても、「なぜ失敗したか」は人が見ないと分からない。LangChainは、専門家の判断こそが戦略的な強みだと説きます🧑‍⚖️ Why human insight is a strategic advantage for building better agents 自動評価は問題を検知できても、原因や直し方までは説明できません。そこで人間のレビューを評価の仕組みに組み込む3つの原則が示されています。 🎯 原則1: 人間が「良い」を定義する トレースにない文脈、つまりその仕事での良さの基準やユーザーの狙いを、レビュアーが与えます。理由付きのスコアは、評価器自体の抜けも明らかにします。 🧵 原則2: 文脈が判断を支える 1ステップだけ見ると、数ターン前の発言との矛盾を見落とします。マルチターンでは会話全体(Thread)をレビューの単位にします。 🔁 原則3: 判断を評価データに変える ラベルはグラウンドトゥルースとなり、LLMジャッジを人間のスコアに揃え、オンライン評価器を更新し、ゴールデンデータセットを作る元になります。事例では、Fetch Rewardsが商品カードの画像やオファーの有効性まで人手で確認しています。 自動化は規模を担い、専門家の判断を再利用可能な資産にすることが優位性になる、という主張です。 #AIエージェント# #LLM評価#
もっと見る
エージェントに正しい権限を渡していても、「その行動をやるべきか」は別の問題です🛡️ Securing AI Agents: Lessons From Real-World Deployment Uberが、自社のAIエージェントを守る多層防御の枠組み「Uber Secure AI」の設計と得られた教訓を公開しました。認可は「誰が行動できるか」に答えますが、エージェントには「この行動は要求に合っているか」を確かめる層も必要だという考え方です。 注目ポイントは3つです。 📜 振る舞いの契約を登録する AI Registryに、各エージェントのペルソナ、許可されたインテント、制約、リスク階層を記録します。Argusがコードやプロンプトから実際の能力を導出し、宣言との差を検査します。 ⚡ 小さなモデルで実行時に判定する AI Guardが提案された行動を評価し、実行前に判定を強制します。経路上に置くため、リモートの汎用LLMではなく、ローカルの小さな専用モデルを並列に動かします。 🎯 一番効いたのは、インテントと制約の限定 エージェントを明示的なインテントと制約に絞ると、操作された指示で動く余地が大きく減りました。代わりに柔軟性は下がります。開発者が回避しないよう、導入の簡単さも制御の一部と位置づけています。 ガードレールはリスクを下げるが排除はしない、と率直に書かれている点も参考になります。定量的な結果は示されていません。 #AIエージェント# #AIセキュリティ#
もっと見る
エージェントの「記憶」は、どう設計すればいいのでしょうか。Anthropicは、人間の睡眠中の記憶固定になぞらえた「ドリーミング」という考え方を示しました🧠 The components of agent memory ❓ メモリはどんな層でできているの? 💡 下から、全記録のトランスクリプト、作業中に書くメモリノート、wikiなどの構造化された表現、毎セッション自動で読み込まれる小さな注入コンテキストです。注入層は誤りも毎回持ち込むため、インデックス程度に小さく保ちます。 ❓ ドリーミングって何? 💡 セッション間にオフラインで下位層を読み、上位層を更新する統合処理です。トランスクリプトと照合してノートの誤りを直し、重複を統合し、重要なものを昇格させます。Pokémon RedのMt. Moonでは、誤ったノートを直した後でCerulean Cityに到達しました。 ❓ 本当に効くの? 💡 ・CL-Benchで、Opus 5は0.564から0.828に向上 ・Stainlessの約35万ファイルでは、wiki単体の正答率がドリーミング2回の13%から128回の48%に上昇 ・wikiと検索の併用で、1問あたり約20,000トークンを節約 ただし多くは単一実行の結果で、効果量は目安として読むべきです。 ❓ 何を書かせるのがいい? 💡 画面やツールから毎回分かる情報ではなく、戦略や検証済みルールを残させます。「失敗だけ記録せよ」のような固定ルールは、強いモデルほど利得を減らしました。 #AIエージェント# #エージェントメモリ#
もっと見る
エージェントに本当に長いコンテキストは必要でしょうか。圧縮して進めれば、精度をほぼ保ったまま大幅に安くなるそうです 💸 "You don't need long context" 長いコンテキストはトークン単価の割に実コストが高く、256Kの提供コストは16Kの3.6〜7倍と推定されています。そこで、履歴を溜め込む方式と、要約や1行動ごとの状態更新で会話を作り直す方式を、13のベンチマークで比べた研究です。 注目ポイント 🔁 長期タスクは圧縮しても解ける しきい値で要約して新しい会話を始めても、精度の変化はClaude Opus 4.5で−3.7〜+5.6ポイント、GPT 5.6 Solで−3.3〜+4.4ポイントでした。推定コストは2.2〜8.8倍安くなります。SWE-bench VerifiedではOpusが70.0%から74.8%に上がっています。 📄 長い文書は丸ごと読まなくてよい 文書をファイルに置き、grepやsedで必要な部分だけ読む方式では、Opusが−0.4〜+40.0ポイント、GPTが+1.0〜+30.9ポイントの変化でした。推定コスト削減は最大233.3倍で、文書が長くなっても会話の長さはほぼ一定です。 ⚙️ 1回の行動ごとに状態を更新する Single-Action Compactionは、タスクと要約した状態から1行動だけ取り、状態を更新して会話を捨てます。SWE-bench VerifiedはOpusで70.2%、GPTで82.4%で、ピークの生きたコンテキストは中央値で約77〜99Kトークンでした。 ただし圧縮は不可逆で、コストは推定値です。オープンモデルでは、Qwen 3 Coder Nextが53.0%から3.6%に落ちる例もあります。 #LLMエージェント# #LongContext#
もっと見る
エージェントのツール待ちでGPUが遊ぶなら、復帰タイミングまで見てスケジューリングすればよいはずです。 TAO: Tool-Aware Joint Scheduling for LLM-Based Agentic Serving 🔎 概要 LLM推論とツール実行を繰り返すエージェント向けに、ツールの復帰時刻とKVキャッシュ再利用を合わせて評価し、受け入れるセッションを組合せ最適化で決めるスケジューラです。 ⚠️ 解決する課題 ・既存のスケジューラはツール復帰のタイミングを直接使わない ・セッション単位の貪欲な判断で、容量を奪い合う別の組合せを塞いでしまう 🛠 方法論 ・セッションごとに「減衰するキャッシュ価値(半減期10秒)」「ツール復帰の準備完了」「トークン数」の3つを順に比較 ・容量状態の動的計画法で、待機セッションの選択とノード割当を同時に決定 ・DPは非同期ワーカーで走り、適用前に実際の状態と照合。オーバーヘッドは実行時間の0.12%未満 📊 実験結果 ・DeepSeek-V4 Flash、SWE-Lite、64ワーカーで、最良ベースライン比で遅延最大26.8%減、TTFT最大36.3%減、デコード最大29.5%増 ・DPをBFDに替えると、デコードは1417.97から1233.72 tok/sへ低下 ・一方、AutomationBenchの128ワーカーではTTFTが悪化するなど、全条件で勝つわけではありません #LLMServing# #AIAgents#
もっと見る
エージェントのメモリは、検索を足すより「根拠までたどれる構造」を作るほうが効くのかもしれません🧠 Building Evidence-Grounded Agent Memory with OpenWiki and Graphs LangChainのブログでは、文書をコンパイルしたWiki(OpenWiki)と、その引用から作るエビデンスグラフを組み合わせ、複数文書にまたがる質問への精度を上げています。 注目ポイントは3つです。 📚 原文にハッシュで紐づくWiki Wikiの各記述は根拠となる原文の行とそのハッシュに結びつきます。原文が変わるとモデルを呼ばずに該当クレームにフラグが立ち、そこだけをモデルが見直すため、メモリが自己修正できます。 🔗 引用から作る型付きエッジ cite、supersede、refers_toなどのエッジを、既存の引用や文書内の参照から追加のモデル呼び出しなしで作ります。agentはlocateで起点を見つけ、expandでたどるだけです。グラフの構築は1秒未満でした。 📊 連結質問で精度が約5倍 保険文書111本の合成コーパスで、連結質問の精度は検索の0.10からWikiの0.52へ上がりました。エビデンスグラフを足すと精度は27%向上し、コストは58%下がりました。一方、単純な参照では検索と差がありませんでした。 メモリは、複数ソースにまたがる質問を繰り返す場面で効く、という整理が参考になります。 #AIエージェント# #エージェントメモリ#
もっと見る