#タスクの配信# ご視聴ありがとうございました✨ 11月から毎週火曜日配信予定です❕ よろしくお願いします🙇 #カナデビアタスク1227#

#タスクの配信# ご視聴ありがとうございました❕ 本日開催できないのはとても悲しいですが、 12/27に向けて更にいいものを作り上げていきますので 応援よろしくお願いいたします❕ #カナデビアタスク1227#

【お便り募集✉️】 本日の #タスクの配信# では皆さんからのお便りを募集します✨ #カナデビアタスク1227# をつけて メンバーへの質問・相談をどしどし呟いてください❕ 配信中のコメントでもぜひ参加してね✨ 🗓️9月26日（土） ⏰20:00~

【配信予告】 『BIZ slapstick comedy #002# 【タスク！】』 出演・日向野祥の密着ドキュメンタリー前編の配信が間もなくスタートします！ 笑いの中にも垣間見える、作品への真剣な向き合い方に迫った密着映像をぜひお楽しみに。 予告動画をご覧ください。 ▼視聴はこちら（7/1（水）19:00〜） ※ILLUMINUS Channel＋（月額見放題）限定

土曜のアルク撮影までの残タスク: 1.デート服のもふもふ襟作る 2. 配信服のヘッドホン作る 3.配信服のジャケット染め直す 4. 配信服のレッグウォーマーとアームウォーマー編む←new! 使えるかなって買ったレッグウォーマーとアームウォーマーが思ってた色じゃなくて…かぎ編み初心者だけど頑張る🫠

「配信率100%、スキーマ有効性100%、エラー0件」の完璧なパイプラインなのに、同じリクエストを投げ直したら判定結果が変わる。そんな衝撃の負の結果を、事前登録＋完全な監査証跡つきで報告した論文です。 タイトル: Clean Engineering, Unstable Measurement: A Preregistered Reliability Failure of Black-Box LLM Observers on Shared Endpoints URL: 🔧 注目ポイント1: エンジニアリングの完璧さは測定の信頼性を保証しない 3,312件の計画済みコールで応答率・スキーマ有効性ともに100%、再試行やエラーも0件という理想的な実行にもかかわらず、繰り返しランキングの一致度（Spearman中央値）はわずか0.400。事前登録した安定性ゲート（閾値0.90）を明確に下回りました。 🎲 注目ポイント2: バイト同一の入力でも出力がドリフトする 同じリクエストを24時間後に再実行しても、全順位の一致率はわずか0.780。しかも面白いことに、同一日内の別ウィンドウ同士でも中央値0.805とほぼ同じ数値になり、これは「翌日ドリフト」ではなく共有エンドポイントの即時的な非決定性であることが判明しました。 📉 注目ポイント3: サンプル数を増やしても解決しない オブザーバー呼び出しを8回から500回（合計74.8万コール）まで増やしても、安定性ゲートの通過率は0/500のまま。候補間のスコア差がノイズフロアより7〜10桁も小さいため、そもそも順位付け不可能なタスクが多いことが根本原因でした。 LLMを評価の「ものさし」として使う前に、そのものさし自体が安定しているかを計測する重要性を教えてくれる一本だと思います。 #LLM評価# #再現性#

【本日19時】 Notion活用講座ビジネスダッシュボード構築編、本日（21日）19時です。 必要なファイル探しに、無駄な時間を取られていませんか？ ChatGPTやClaude、Geminiのおかげで、作業そのものはずいぶん速くなりました。 一方で、実際の仕事では、 「必要な資料が見つからない」 「議事録がどこにあるかわからない」 「タスクや顧客情報があちこちに散らばっている」 という時間は、まだ多く残っています。 AIで作業速度が上がった次は、 「必要な情報を、すぐ取り出せる環境」を作ることだと思います。 Notionを活用すれば、顧客情報、議事録、タスク、プロジェクトなどを一元管理でき、仕事全体の生産性を大きく向上させることができます。 AIをもっと活かしたい方にも、おすすめの内容です。 申込は本日18時まで受け付けております。 また当日の模様はいつものように録画⇒アーカイブ配信予定でおります。 この夏の情報整理にNotionスキルを身に着けてください。 7/21,28（火）19:00〜 20名限定 #Notion講座# #情報整理# #業務効率化#

🎯 長時間タスクでエージェントが下す判断の「センスの良さ」を、専門家のアノテーションなしで測る方法が提案されました。 タイトル: The Tasteful Agent: Measuring and Improving Taste in Long-Horizon Tasks URL: 📖 概要 エージェントが長時間タスクの途中で下す判断（どの仮説を試すか、どの実装を土台にするか）を評価するベンチマーク Taste-Bench（502問）を構築した研究です。さらに、この判断力は蒸留で学習可能であることも示しています。 🔥 解決する課題 既存のベンチマークはタスクをやり切れたかどうかしか測っておらず、途中の判断の質を評価できません。しかも誤った判断はその時点では妥当に見え、コストが表面化するのは予算を使い切った後です。人手で採点するには深いドメイン専門性が必要でスケールしません。 🧪 方法論 軌跡の後半が前半の判断に対する事後的な証拠になる、という着想が鍵です。 ・同一タスクへの複数試行が分岐し片方だけ成功した地点（エージェントが最後まで気づかなかった誤り） ・1本の軌跡内でエージェントが失敗して立て直した地点（自己修正した誤り） この2種類の分岐点を自動採掘し、分岐後を隠して2択問題にします。選択肢の並び順を反転させた2回とも正解した場合のみ正解とするため、ランダム推測は25%になります。 📊 実験結果 ・14モデルを評価し、最高は GPT-5.6 Sol の59.7%。2択なのに天井には程遠い水準です ・決定的な証拠が遠い先にあるほど急落し、最遠では21.0%とランダム以下になります ・推論予算を最大まで上げても改善は −0.2〜+2.2ポイントにとどまりました ・SWE-bench Verified との相関は r=0.63 どまりで、同スコア帯でも10.7ポイント差が出ます ・蒸留した生徒の助言を注入すると、実タスク成功率が14.6%から33.7%へ向上しました #AIエージェント# #ベンチマーク#