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85才
最強の85才 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85才 を含む検索結果
ルース・べイダー・ギンズバーグのドキュメンタリー『RBG 最強の85才』鑑賞🎥 聡明で美人。強い信念を持ちながらもシャイで控え、なのに説得力があり、そして勤勉家。まさに憧れの女性像です😍 85歳の今はとってもチャーミングなおばちゃん❤️ #RGB# #ルースベイダーギンズバーグ# #最強の85才#
もっと見る
🤝 「最強の1モデル」より「複数モデルのチーム」の方が強い。しかも安いモデルの寄せ集めが、単体のフロンティアモデルを上回る——OpenRouterがデータで示しました。 タイトル: Surpassing Frontier Performance with Fusion URL: 💡 概要 Fusionは、複数のAIモデルの出力を1回のAPI呼び出しで合成するOpenRouterのツールです。参加モデルの「パネル」と、結果を束ねる「ジャッジモデル」を選ぶだけで、単一モデルを呼ぶ感覚でアンサンブルの力を使えます。 ⚠️ 解決する課題 通常のベンチマークは事実想起や推論パズルは測れても、複数情報源を統合して引用付きで分析を書く「現実のリサーチ力」を評価できません。また単体モデルの性能限界をどう超えるかも課題でした。 🛠 方法論 ・プロンプトをパネル各モデルに並列ディスパッチ(web検索・fetch有効) ・ジャッジが全回答を分析し「合意点・矛盾・部分カバー・独自の洞察・盲点」を構造化 ・呼び出し元モデルがその統合分析をもとに最終回答を生成 ・採点基準への汚染はドメイン除外で防止 📊 実験結果(DRACOベンチ100件) ・Fable 5 + GPT-5.5(Opus 4.8が合成)が69.0%で全単体モデルを上回り最高 ・Opus 4.8の自己合成は65.5%で、単体58.8%から6.7ポイント向上 ・安価な3モデルのバジェットパネルは64.7%で、GPT-5.5やOpus 4.8の単体を上回り、約50%低コスト 合成そのものが効くこと、安いモデルの多様性が単体フロンティアに匹敵することを示しました。 #LLM# #AIエージェント#
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。
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
TL;DR 顧客向けAIエージェントを守るには、個々の攻撃を検出するより「このエージェントが本来すべきこと」を明確に定義して境界を強制する方が効果的だという、Uberの本番運用知見です。 タイトル: Persona Guardrail: A Production-Grade Defense Framework for Agentic Systems URL: ポイント 🛡️ 入力・出力の両方を同期的に検証し、機能的境界を強制するガードレールPersona Guardrail 📋 許可リスト・拒否リスト・両者のハイブリッドを比較し、反復改善した許可リストが最強 📊 検知精度はベースラインの85.7%から95.9%へ、誤承認率は25.0%から4.7%へ改善 🔍 特に苦手だったドメイン外リクエストの検知は57.3%から93.5%へ大幅改善 ⚡ Qwen3-30B-A3BをMoEアーキテクチャの効率性を活かして採用し、P90レイテンシ95ms未満を実現 🏭 本番展開では誤ブロック率1%未満・誤承認率2%未満を維持 攻撃パターンを数え上げるより「本来の目的」を基準にする発想が、スケールする防御として実用的だと感じます。 #AIエージェント# #セキュリティ#
もっと見る
AIエージェントに分析を任せても、「大事な判断は自分が下している」と思っていませんか?🤔 専門家は、結果を左右する分かれ目の判断で、実はエージェントに寄っていくのかもしれません。Anthropicは50人のプロの分析者でこれを確かめました。架空の農業協同組合のプログラムを評価する課題で、生産性の測り方、比較手法、対象範囲、重み付けの4つの判断が開いており、エージェントの支持する案をコイン投げで密かに割り当てました。 結果は、分析者の86%がエージェントの傾向に一致しました(影響がなければ約50%)。事前に自分の好みがあった人でも、エージェントが反対すると60%が意見を変えています。さらに77%が事後の説明でエージェントの論拠を繰り返す一方、エージェントの功績としたのは15%だけでした。経験の長さも、従いやすさをほとんど説明しませんでした。 🧭 注意点として、この実験ではエージェントの好みをあえて強く出しています。それでも、専門家が選択肢を比べる過程で見解を固めるなら、片側を上手に示すエージェントはその前に見解を形づくりえます。筆者らは、各選択肢の最強の論拠を示す設計や、先に本人の見解を尋ねる設計を挙げています。 How AI Agents Shape Experts' Judgment Calls #AIエージェント# #AIセーフティ#
もっと見る
📺7/23(木)夜8:15放送📡 👑#編成王川島# スピンオフ 📖『#1分小説』 🎙️朗読は大河ドラマ「#豊臣兄弟!」コラボ🐎# 主人公最大最強のライバル・徳川家康を演じる #松下洸平# さん📣 #1分小説 で俳優として朗読初挑戦です❗ #川島明# #朝日奈央# #又吉直樹# #松田好花# #森田哲矢# #加納# #エース#
もっと見る
イオンモール熊本の爆発について、専門家によると「マッハ超えの衝撃波=爆轟」で衝撃波は秒速340メートル超(音速超え)。 猛烈な台風」でも最大風速はだいた50〜70m/s ・日本の瞬間風速記録でも85〜91m/s程度だが、爆轟の衝撃波は台風の最強クラスの風の4〜6倍以上の速さ。 台風の「暴風」とはスケールが全く違う、破壊的な衝撃だったようで福島原発の水素爆発も同じ「爆轟」だったと専門家が例に挙げており建物が大きく崩壊した理由が、こういう物理現象だった可能性が高いようだ。 しかし何故こんな異常な爆発となったのか今後同様の惨事が起きぬよう原因究明を。 マッハ超え衝撃波「爆轟」か イオンモール熊本で 専門家「非常に奇異な爆発現象」(テレビ朝日)
もっと見る
アノテーションをRLの訓練シグナルとして使ったとき、なぜか優秀な行動に負の勾配がかかる —— OraRLはその仕組みを解明し、解決しました。 Annotations as Rollouts: Efficient and Scalable Reinforcement Learning for Video MLLMs ❓ アノテーションをrolloutとして使うと何が起きる? 💡 「Advantage Inversion(有利性の反転)」が起きます。GRPOの標準正規化では、グループ内rolloutの有利性を平均と分散で計算します。ここに高報酬のoracle rolloutを追加するとグループ平均が上昇し、ポリシー平均を超えているはずの良い行動が負の有利性を受ける逆転現象が発生します。92,024件の計測で、Naive oracle mixingでは42.5%のグループで反転が起きていました。 ❓ OraRLはどう解決する? 💡 5つのコンポーネントで有利性推定を分離します。まずoracle-freeなon-policyベースラインを構築し(分散正規化なしで定義上inversion不可)、oracle-policy gapから方向性ゲインを計算してポリシー平均超えrolloutを増幅します。oracle自体の有利性は最強のon-policyシグナルでスケール調整し、ポリシー全体を支配しないよう設計。符号均衡Pruning(正・負を等分保持)により反転率を最終0.3%まで圧縮し、1.48倍の速度向上も実現しています。 ❓ どれくらい強い? 💡 Video-ORA-9BはVSI-Benchで73.1を達成し、GPT-5(55.0)とGemini-3-Pro(55.1)を18ポイント以上上回りました。ReasonVOSセグメンテーションはバックボーン比+42.2、VideoHolmesは+15.2と大幅改善。訓練コストはSFTの2.2倍で済み、GRPO+CoT(4.9倍)の半分以下です。 ❓ 推論の効率は? 💡 CoTが不要なためP90推論レイテンシは25.15秒で、CoT付きバックボーンの62.67秒と比べて大幅に短縮。データ効率でもOraRLは100kプロンプトで+5.2pt、GRPOの+2.8ptを上回ります。 #VideoMLLM# #ReinforcementLearning#
もっと見る
◈ ——————————— ◈ 司波兄妹に隠された真実が  画面タップで明らかに!? ◈ ——————————— ◈ 「最強の兄妹」の物語はひとつの結末へ——。 劇場版 「魔法科高校の劣等生 四葉継承編」 5/8より絶賛上映中!
もっと見る