先日、神戸で行ったパン屋さんのパンたちを、ちゃんまん（@tknkrei0518 ）がたくさん送ってくれました🥺🍞🥐🥖 （朝から至福時間） 最高…ほんとおいしい… #ブーランジェリービアンヴニュ# #クロワッサンの表面すぐ写真撮っちゃう# #層と焼き色素晴らしい# #誕生日プレゼント第2弾#

モンスターを倒して料理にし，最深層となる100階を目指していく。ダンジョンサバイバル「Abyss Ring」，発売日が2026年10月26日に決定 腹が減ってはダンジョンクロウルができぬ。ミノタウロス丼，オークトンカツ，ドラゴンステーキなどの珍品料理に舌鼓を打とう

日本人の消費、カツカツ生活層とアルファードに乗るNISA投資層で二極化！→株高・物価高で日本も「K字形経済」か… 株高の恩恵を受ける人と物価高に苦しむ人の差が、消費の違いにも表れています。

LLMエージェントの「検索」を「推論」から切り離すと、精度はほぼ維持したまま検索コストを最大98%削減できました🔌 タイトル: Decoupling Search from Reasoning: A Vendor-Agnostic Grounding Architecture for LLM Agents URL: 🔌 概要 検索による根拠づけ（grounding）を、言語モデルの推論から切り離す手法DSGの提案です。Model Context Protocol（MCP）に準拠した独立ゲートウェイとして動作し、ベンダー非依存の中間層として機能します。 ❓ 解決する課題 本番のLLMエージェントでは、リアルタイム検索がモデルプロバイダーに密結合しています。 ・システムの検査・再構成・転用・移行が難しい ・検索が「Search-Induced Verbosity（検索起因の冗長化）」を招き、厳格な出力要件に違反することがある 検索と推論の一体化が、柔軟性とコストのボトルネックでした。 💡 方法論と提案手法 根拠づけを「モデルの中」ではなく「検索と生成の境界」に置きます。これまでモデルに埋め込まれていた要素を制御可能な第一級機能として公開します。 ・プロバイダールーティング（検索先の選択・切り替え） ・ソースを意識したコンテキストレンダリング ・設定可能なフォールバック機構 ・検索深度の管理 ・厳密キャッシュとセマンティックキャッシュの両方 📊 実験結果 ・SimpleQA：精度86.1%（ネイティブ検索87.7%）を保ちつつ検索コストを91%削減 ・キャッシュのウォームヒット率99.4%、レイテンシ68%削減 ・本番Eコマース：ネイティブ同等の精度で検索コストを98%以上削減 ・一方、新しさが重要なFreshQAではネイティブ検索が優位 #LLMエージェント# #検索#

CNN が昨日公表した調査で、民主党支持層と民主党寄りの無党派層のうち約 3分の1が「民主社会主義者 (democratic socialist)」を自認しているという結果が。

厚労省調査で全世帯の55.4%が「生活苦しい」と回答したと分かった。 特に母子世帯は8割近くにのぼる。 春闘で3年連続5%超賃上げ（2026年5.01%）でも、実質賃金は長年マイナス続きで今年ようやくプラスに転換。 物価が先走りサラリーマン家庭は実感薄い。 一方、株高＋NISAで金融資産2386兆円（過去最高圏）。 株・投信保有層は資産効果で余裕。一方、現預金中心世帯は物価高だけの痛み。 「投資できるだけの余裕のある層」と「毎日働くのが精一杯の普通の層」の二極化が進む中、成長政策は大事。 でも賃上げの波及を中小・非正規まで広げ、子育て支援を本気でやらないと日本全体が疲弊する。 投資家もサラリーマンも、どっちも日本を支えてるのは同じ。 どっちか一方だけ見て経済やってる場合じゃない。

どうしても、AIエージェント用のプログラミング言語が未来だと思ってしまう Bendはその先駆けで、「人がコードを書かなくなっても、AIへ意図を正確に伝える言語は要る」という考えのもと開発された言語だ 人は意図・目的をプログラムに守ってほしい条件として設計し、AIが実装、言語側でそれを検証するという役割分担で、AIと人の中間層として開発・検証器として機能するのがBendだ 今回はそんなBendについて記事を書いてみた！ Bendって何？どんな課題を解決するの？を知りたい方はぜひ読んでみてください！ 私としてはpstackとともに推していきたい技術の1つとなりました！ #zenn#

🧩 AIエージェントに足りないのはモデルの賢さではなく「現場のノウハウ」だった、という論文です。 タイトル: Repo-To-Skill: Distilling GitHub Repositories Into AI4AI Skills URL: ❓ 自律型研究エージェントには何が欠けているのですか 💡 「モデル」と「実行ハーネス」の2層だけでは、適切な手法の選び方やAPIの使い方、実装の落とし穴といった運用知識が抜け落ちています。この論文はこれを第三の層として明示的に扱います。 ❓ その知識をどうやって手に入れるのですか 💡 GitHubリポジトリや論文を「Scope→Ground→Construct→Verify」の4段階で処理し、検証済みの「スキル」として蒸留します。1,000リポジトリと153論文から5,353個のスキルを構築しました。 ❓ スキルを使うと実際どれくらい変わるのですか 💡 同じGPT-5.5・同じハーネスのまま、スキルを追加するだけでMLE-benchは31.11%から72.89%へ、PaperBench・FrontierCS・PassNetでも軒並み改善しました。高難度タスクでは4倍以上のスコア向上も見られます。 ❓ 単にリソースを増やしただけではないのですか 💡 トークン数やツール呼び出し回数と改善幅の相関はほぼゼロで、Claude Opus 4.8構成より少ないトークンで高いスコアを出しています。知識そのものが効いているといえます。 #AIエージェント# #機械学習#

メンバーが成果を出した時、経営陣への報告でつい自分を主語にして話しちゃうことがある。 俺も長いことそうだった。 正直に言うと、最初は名前を出さないのが怖かった。自分の存在価値が薄まる気がしてたんだよね。 でもやってみると逆だった。 手柄を立てたメンバーがいたら自分の名前は出さないし、経営層との接点も意図的にメンバーに渡す。「俺が育てた」って言いたくなる衝動はぐっと抑える。 経営陣に名前を覚えてもらうのは、自分じゃなくてメンバーであるべきだと思ってる。 マネージャーの成果って、メンバーが出した数字のことだと思われがちだけど違う。メンバーが自分の名前で評価されるようになったかどうかが、マネージャーの値打ちなんだよ。 次にメンバーが成果を出したら、報告の主語を変えてみよう。「俺が」じゃなくて、その人の名前で話す。