テスト応募しました！！！ みんなでやりたいね🍬*⋆ #増幅テスト# #ゼンゼロ# #ゼンレスゾーンゼロ# #ゼンゼロからのトップニュース# #エレン#

みんな！ゼンゼロのテスト応募やっていますよ！ 一緒に新エリー都へ行きましょうw #ゼンゼロ# #増幅テスト# #ゼンレスゾーンゼロ# #ゼンゼロからのトップニュース# #ニコ#

ゼンレスゾーンゼロ！ めちゃめちゃ楽しみにしてるHoYoverseの新作ゲーム！！✨ 増幅テスト&事前登録ぜひ参加してね！！ #増幅テスト# #ゼンゼロ# #ゼンレスゾーンゼロ# #ゼンゼロからのトップニュース# #リン#

動画生成モデルで4D世界を作るとき、わざわざRGBに戻す必要はなかった——潜在空間から直接4Dへ変換する新手法が登場しました。 Beyond Pixels: From Video Priors to 4D Worlds 🔍 概要 従来の「動画生成→RGB→4D再構成」という3段階カスケードは、RGB変換でVAE潜在空間の幾何学情報を失い、アーティファクトを増幅させる構造的な問題を抱えていました。本研究は動画VAEの最終デノイズ済み潜在を直接4Dデコーダーに接続する「latent-to-4D生成」を提案します。 🛠 解決する課題 ・RGBデコード時に幾何学情報が劣化する ・ジェネレーター固有ノイズがRGB経由で4D再構成に伝播する ・ジェネレーターが変わるたびに4Dモジュールを再学習する必要がある これらすべてを、VAE潜在空間を直接インターフェースにすることで回避します。 ⚙ 方法論と提案手法 3つのコンポーネントで構成されます。 ・アライメントモジュール（𝒜ϕ）：三線形リサンプリングと3D畳み込みで潜在を4Dデコーダーのトークン空間に変換 ・L4ARアテンション：フレームワイズ空間整合 + グローバル時間アテンションの階層的組み合わせ ・4Dデコーダー：カメラパラメータ（9D）と密な世界座標系ポイントマップを同時予測 学習対象はこの3コンポーネントのみ（rank-16 LoRA含む）。VAEやTransformer本体は凍結し、約1,000クリップで学習します。 📊 実験結果 DINO-F1スコア（テキスト→4D）：57.01〜57.09（本手法）対 53.27〜54.21（カスケードベースライン）。画像→4Dでは61.60対55.79で5.81ポイント改善。人間評価でも幾何学・完全性で66.8〜72.1%の好みを得ています。頑健性テストでは汚染レベルρ=0.6時のドリフトが0.0053（ベースライン比71倍の安定性）を記録しました。 🌐 汎用性 14Bと1.3Bの2サイズのWan T2VモデルおよびWan I2Vモデルで、単一チェックポイントが変更なしに動作。モーション・外観・カメラ制御もそのまま引き継がれます。 #4D生成# #動画AI#

LLMはslopを生み出すけど、それでも使うのはやめられない。でも気をつけていることがあるよ、という話。 ・筆者は著作権や環境問題、OSSの破壊リスクなど、LLMに対する批判のほとんどに同意だが、使い続けている ・カンファレンスでもAI批判に拍手が起きる一方で、参加者が手元でClaude Codeを開いているという矛盾がある ・筆者自身も月に約1万ドルを課金するほどLLMを多用している ・LLMは、すでに自身の思考を増幅させるツールであり手放せない ・自分の意見や構造がある人間が使えば、より鋭く、より速く出力できる ・ただし問題は、外から見て「人間が考えた結果」か「AIが出力しただけのスロップ」か区別が難しいこと ・結局はアウトプットへの信頼が重要になる ・筆者はスロップを防ぐためにいくつかの具体的な手法を導入している ・例えば、完全に理解するまで私を徹底的に尋問して、と指示する/grill-meというプロンプトを使う ・これにより、人間側が自分の思考の言語化を強制される ・ほかにも、LLMに自分の解決策を批判させ続け、無理やり粗探しをさせるアプローチも有効 ・また、APIの実装前にLLMに仕様を予想させ、人間の直感に合うかテストする手法もある ・ただ、これらの前提として人間側が良いものとスロップを見分ける能力を持っている必要がある ・自分が理解していない領域でLLMを使うと、単に粗悪品を大量生産するだけに終わる

🧩 「エージェントを増やせば速くなる」は本当か？マルチエージェントLLMを分散システム理論のレンズで分析したら、アムダールの法則も通信オーバーヘッドもそのまま効いていました。 タイトル: Language Model Teams as Distributed Systems URL: 📝 概要 本論文は、LLMのマルチエージェントチームを分散システムとして捉え、協調・整合性・スケーラビリティの理論で設計・評価する枠組みを提案します。試行錯誤ではなく、分散コンピューティングの蓄積を直接活かす発想です。 ❓ 解決する課題 チーム性能はタスク依存性が高く、通信オーバーヘッドや一貫性の衝突、誤りの増幅といった弊害もありました。「いつチームが個を上回るか」を予測する原理的枠組みが欠けていました。 💡 方法論と提案手法 ・LLMチームと分散システムが共有する4性質（独立性・通信・並行性・可謬性）を起点に分析します ・アムダールの法則、集中型vs分散型、整合性の衝突、O(n²)の通信、ストラグラー、コスト効率の原理を適用します ・協調コーディングで2実験（集中型/分散型）、チームサイズ1〜5、並列/混在/直列タスク、複数モデルで検証します 🎯 ユースケース マルチエージェントのコード生成・レビュー、データ分析の並列分解、そして「マルチエージェントが有益か有害か」を実装前に予測する設計判断やコスト予算化に役立ちます。 📊 実験結果 ・並列タスクは中央値2.0倍超で高速化、直列タスクは約1.2倍止まり（アムダールの法則を実証） ・高速化の中央値は集中型1.36倍に対し分散型0.88倍と、分散型はむしろ遅くなりました ・テスト失敗の中央値は分散型19件 vs 集中型4件と、一貫性の衝突が顕著でした ・直列タスクではトークン5.83倍に対し高速化1.13倍と、コスト効率の悪化も定量化されました #MultiAgent# #DistributedSystems#