TL;DR LLMが自然言語の最適化問題を数式・コードに変換する際に起きる「幻覚」を、生成後に安全に直すフレームワークが登場しました。精度を最大20ポイント改善しつつ、正しかった部分を壊す「後退」は1%以下に抑えています。 タイトル: Fix What's Wrong, Keep What's Right: Hallucination Repair for LLM-Based Optimization Modeling URL: ポイント 🔍 問題文⇄数式⇄コード⇄データを5方向からチェックして、どこがなぜ間違っているかを特定します ✂️ 直す範囲を「コードだけ」「モデルの一部だけ」「全体の再構築」の3段階から証拠に基づき最小限に絞ります 📜 24種類の「修復カード」が、書き換えてよい箇所・守るべき箇所・合格基準を契約として明文化します ✅ 修復後は実行テストと監査に両方合格しないと採用せず、失敗時は元の成果物をそのまま残します 📊 6つのベンチマークと複数の生成モデルで検証し、精度を6.3〜20.1ポイント改善、後退率は最大1.0%に抑制しました 🧩 診断の仕組みを外すと救済率が24.5ポイントも落ちることが確認され、各仕組みの効果が裏付けられています 生成するだけでなく「直す」工程を体系化した発想が実務的で、最適化以外のコード生成や構造化出力にも応用できそうです。 #LLM# #最適化モデリング#

ゲーム制作向け・高品質武器パック登場。 クリーントポロジー、最適化済み、即エンジン対応。 ファンタジーRPGやインディー開発に最適。 にて販売中。 #ゲーム開発# #インディーゲーム# #3Dモデリング# #Unity# #UnrealEngine# #Godot# #RPG# #ゲーム素材# #IndieDev# #3Dアセット#

ハーネスを自動最適化する手法は増えていますが、どのシナリオで学習するかは最初に固定されたまま。この「カリキュラム」自体を動かす発想が登場です。 タイトル: ActiveSaddler: Automated Curriculum Learning for Agent Harness Optimization URL: 📝 概要 エージェントハーネスの自動最適化において、学習に使うシナリオの選択自体を「自動カリキュラム学習問題」として定式化し、最適化の進行とともに動的に適応させる手法ActiveSaddlerを提案しています。 ❗ 解決する課題 固定されたシナリオ順では、未解決の弱点を早々に見捨てたり、すでに修復済みの課題へロールアウトを浪費したりしてしまいます。既知の弱点を再訪する価値と新たな失敗を探索する価値のバランスも最適化中に変化しますが、静的なスケジュールでは対応できません。 🛠️ 方法論・提案手法 カリキュラム選択を「動的にインスタンス化されるアームを持つ非定常バンディット」としてモデル化。個々のシナリオではなく「失敗パターン」をアームとし、LLMベースの優先順位付け器が深刻度・修正可能性・波及範囲・副作用リスクの4要因から学習ポテンシャルを毎イテレーション再計算。既知の弱点を活用するか未見のシナリオを探索するかを、残存する実行可能な弱点の有無に応じて適応的に判断します。 📊 実験結果 GAIA2でPass@1が59.8%（固定ランダム順比+4.4ポイント）、Terminal-Bench 2.0で80.0%（+7.5ポイント）を達成。コスト効率も優れ、GAIA2では298ドルで他手法が1,360ドルかけて届く精度に到達しました。 #エージェント最適化# #カリキュラム学習#

動画配信基盤の最適化メモ 1. GOPアライメントによる分割アップロードで部分的な再開を可能にし、レジリエンスを向上 2. CDNをアップロードセンターとして活用し、ユーザーとの物理的距離を短縮 3. 処理間の依存関係を整理した疎結合なシステムで並列度を最大化

セキュアな動画アップロードフローの最適化。 事前署名付URLでAPIの役割を絞り、直接S3へ書き込む。この分離がスケーラブルな設計の肝。さらに著作権保護としてDRM、AES、電子透かしを要件に応じて選定する。

最近あまりにもアルゴリズムが最適化されすぎてて自分のおすすめにはAIとヒューマノイド情報しか表示されないのだけど、もっと広い分野を俯瞰して見た上で知りたい市場の情報をキャッチしたい…。アカウントを分けて見るしか方法はないのかな………？

トークンの使用量を最適化する、 AI トークノミクス ガイド💡 → コーディング アシスタントのパフォーマンスを向上させ、レイテンシを短縮し、費用を効果的に管理するための 11 の実用的な原則をご紹介します。