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 最強の4分割ジャケアルバム決定戦
最強の4分割ジャケアルバム決定戦 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
最強の4分割ジャケアルバム決定戦 を含む検索結果
🐡 もう「どのLLMが最強か」を一つに絞って悩む時代は、終わるのかもしれません。 タイトル: Sakana Fugu Technical Report URL: Sakana AI の Fugu は、複数のフロンティア LLM を部下として束ね、タスクに応じて最適な布陣を自動で組む「指揮官(オーケストレータ)モデル」です。注目ポイントを3つに絞って紹介します。 🧭 学習された司令塔 Fugu は事前学習済みバックボーンに軽量な選択ヘッドを載せ、隠れ状態から最適なワーカーモデルをロジットで直接選びます。自己回帰生成を挟まないため、単一のフロンティアモデルを呼ぶのと同等の低遅延を保てるのが巧みです。 🕸️ ワークフローを動的に自作(Fugu-Ultra) 上位版はタスクを自然言語のワークフローとして書き下し、サブタスク分割・担当割り当て・通信戦略まで設計します。最大5ステップで討論型・逐次連鎖・木構造といった多エージェント協調を、問題ごとに組み立てます。 📊 単体モデルを超える成績 SWE-Bench Pro で 73.7 点(Claude Opus 4.8 の 69.2 を上回る)、GPQA-Diamond 95.5、LiveCodeBench 93.2 など主要ベンチで公開モデル最高水準。エージェント型コーディングでは「世代交代級」の 5〜6% の相対改善を達成しました。 巨大化ではなく賢い"指揮"で最先端へ。新しいスケーリング軸を示した一本です。 #SakanaAI# #LLM#
もっと見る
今まで無かった最強の4ショット👯‍♀️👯‍♀️
気象庁「史上最強のゴジラ・エルニーニョ発生…」南米ペルーから強烈な熱線、太平洋に深刻なダメージ → 海面水温差は過去最高の+4.0℃、旧記録+3.6℃を更新 サンマやサケは不漁で価格が跳ね上がり、店では入荷ゼロです。
もっと見る
俺が経験した中で最強の「痛み」は痛風を抜いて膵炎 みんなは? 調査対象の45.8%が糖尿病を合併しています。
🌸毎日キレイ🌸 DAIGO:妻・北川景子の誕生日についてコメント「明日、最強の40歳が誕生します」🎂 #DAIGO# #北川景子#
DAIGO、妻・北川景子に愛あるメッセージ 冠番組で呼びかけ「最強の40歳が誕生します」
🔬 「AIは科学を“発見”できるのか?」を、本物のNature論文90本で厳しく測ったら、最強エージェントでもSOTA超えは2割弱でした。 タイトル: NatureBench: Can Coding Agents Match the Published SOTA of Nature-Family Papers? URL: 📋 概要 Nature系ジャーナル由来の90タスク(6ドメイン)で、AIコーディングエージェントが既発表SOTAを再現・超越できるかを検証。元手法を遮断する「情報ファイアウォール」と、タスクごとにコンテナ化する自動環境NatureGymで、統一条件・Web検索禁止の厳密評価を実現しています。 🎯 解決する課題 これまでのエージェント研究ベンチは環境がバラバラで信頼性に欠けていました。本研究は「再現」ではなく「自力発見」を強制し、横断比較できる土俵を整えます。 📐 方法論 SOTA正規化の相対ギャップで採点(g>0.1で超越、g≥0で同等以上)。81種の指標を横断比較し、4時間予算・GPU割当・10エージェントを3ハーネスで評価します。 📊 実験結果 ・最強のClaude Opus 4.7でもSOTA超えは17.8%、同等以上は47.8% ・成功の45.5%は「科学課題を教師あり予測に翻訳しただけ」。真のドメイン推論はわずか8.3% ・失敗の主因は手法選択ミス45.1%と計算資源不足24.4%で、タスク誤解はわずか3.1% ・学際課題ほど成績が落ちる傾向 現状のエージェントは「翻訳」は得意でも「発見」は苦手、という冷静な現在地が見えて示唆に富みます。 #AI4Science# #CodingAgents#
もっと見る
ロボットは、重みではなく「文脈」でタスクを学べるのでしょうか? World In-Context Learning for Agentic Robot Manipulation ❓ World In-Context Learning(WICL)とは? 💡 重みを凍結した基盤モデルが、1つのデモから出発してシミュレータでリハーサルし、そのフィードバックを重みではなく文脈(Task Memory)に書き込む枠組みです。文脈には物体の役割や手順といった意味的な知識が入るため、見た目が違う環境にも転用しやすいという考えです。 ❓ どれくらい動くのですか? 💡 RoboTwin 2.0の全50タスクで、1デモ・勾配更新なしの平均成功率は83.4%です。50デモで学習した最強の学習ポリシー(61.7%)を21.7ポイント上回ります。クリーンのみでリハーサルしても、ランダム化環境でクリーン成功率の95%以上を維持しました。 ❓ 何が効いているのですか? 💡 アブレーションでは、デモだけをメモリに書くと69.0%、世界でのリハーサルまで行うと78.5%でした(10タスク)。デモも世界も両方必要という結果です。さらに、評価結果を反省して文脈を書き換えることで、3ラウンドの自己改善も確認されています。 ❓ 実用面の注意点は? 💡 学習と1,000エピソードの評価で、定価APIで約308〜1,911ドルかかります。実機での確認はPiPERの4タスク・計30/40成功と小規模で、主な結果はシミュレーションです。 #Robotics# #InContextLearning#
もっと見る