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 窓メモ
窓メモ 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
窓メモ を含む検索結果
清原惟 監督『A Window of Memories』(2023)を試写会で拝見。 監督の祖母ふたりの個人史を俳優が語る構成。「一日をかけて」朗読が、スクリーン上で確認できる。地域差や時代差を考えながら鑑賞中、音は必要だったか?とも… 8/7(金)よりBunkamuraル・シネマ 渋谷宮下ほか全国順次公開 #窓メモ#
もっと見る
「エージェントメモリは複雑なほど良い」は本当でしょうか? タイトル: Is Complex Agentic Memory Always Needed? Naive RAG Is Stronger Than We Thought URL: ❓ そもそも何を問う論文? 抽出・要約・グラフ化・更新を備えた「エージェンティックメモリ」は、素朴なRAGより優れているのか。その差が弱いベースラインのせいではないかを検証しています。 ❓ 比較した「素朴なRAG」とは? 💡 Raw-RAGは、会話を256トークンの窓に切って埋め込み、上位128件を取得、クロスエンコーダで15件に絞ってLLMに渡すだけ。LLMによる抽出・要約・グラフ構築は一切ありません。 ❓ 結果は? 💡 7つの設定のうち6つでRaw-RAGがメモリシステム中トップ。MemoryAgentBenchではMemoraの43.84に対し48.32でした。しかも取り込みは速く、約100万トークンでRaw-RAGは0.33時間、Memoraは26.95時間です。 ❓ なぜ複雑な仕組みは勝てない? 💡 差を生むのは証拠を使う力より届ける力でした。原子的事実の抽出を足すと19.62ポイント低下し、要約やグラフ拡張も約6ポイント悪化。変換したストアは生の証拠に届きませんでした。 #AIエージェント# #RAG#
もっと見る
AIエージェントをエンタープライズシステムに組み込むプラクティス 【階層化メモリ -- 4層メモリとコンテキスト・ブローカー】 💡 毎回ゼロから始まるAIエージェントは、何度も同じ質問をする新入社員と同じです。記憶を4層に分離し、「いま本当に必要な情報だけ」を動的に組み立てる仕組みが、実用レベルのエージェントを作ります。 🔥 解決する課題 - セッション跨ぎの文脈喪失:セッション間・エージェント間で文脈が失われ毎回やり直しになる - 文脈窓の有限性:全履歴を詰め込むとコスト・精度が劣化する - 記憶肥大:無制限な蓄積でコスト・プライバシーリスク・文脈汚染が増大する - Lost in the middle:大量コンテキスト投入でかえって回答精度が下がる 🏗️ 提案パターン メモリを4層に分離します。ワーキング(現セッション・揮発)、エピソード(過去要約・ユーザー単位)、セマンティック(RAG対象の知識)、組織知識(人・部署・関係の知識グラフ)。各層に適切な保存先・TTL・ACLを設定します。コンテキスト・ブローカーがユーザーの意図に応じて各層から情報を取得し、トークン予算内で優先度付け・要約・圧縮を行い、最も関連の高い情報だけでコンテキストを組み立てます。 ✅ 選定条件 - 採用する場合:セッション跨ぎ・エージェント跨ぎで文脈を引き継ぐ継続支援型エージェント - 採用しない場合:一発完結のステートレスタスク、固定の少量コンテキストで足りる用途 ⚠️ 落とし穴 - エピソードメモリの肥大化:生ログではなく要約を残し、重要度スコア + TTL + 時間減衰で制御します - コンテキストブローカーの品質:リランキングの精度が低いと不要情報が混入し、精度が劣化します - ACLの層間整合:メモリ層ごとにACLが異なる場合、集約時に最も厳しい権限に縮退させる設計が必要です 🛠️ 実装方針 1. ベクタDB(Pinecone / Weaviate / pgvector)をセマンティックメモリ層に、Neo4jを組織知識グラフ層に配置し、各層に保存先・TTL・ACLを設定します 2. エピソードメモリは生ログではなく要約パイプラインを通し、重要度スコア+時間減衰で自動的に忘却・圧縮する仕組みを実装します 3. コンテキスト・ブローカーをリランキング(Cohere Rerank / cross-encoder)で構築し、ユーザーの意図に応じてトークン予算(目安8,000トークン)内で最も関連の高い情報を動的に組み立てます 4. Mem0 / Zepなどのメモリ管理フレームワークを活用し、セッション跨ぎ・エージェント跨ぎのデータ引き継ぎを実装します 5. 各メモリ層にACLタグを付与し、集約時にコンテキスト・ファイアウォール(P10)と連携して最も厳しい権限に縮退させます #AIエージェント# #エンタープライズアーキテクチャ#
もっと見る
気持ち悪くて吐いてしまったし頭もいたいしで急遽予定を無くして頂き、デカポカリとか熱さまシートとか軽食一式uberしたら「お大事に」ってメモ書きあって泣いた どうやらコミケの暑さに備えて窓開けて昼寝してたのが悪そう熱中症ぽい、部屋キンキンにして塩舐めてポカリ飲んだら治ってきた
もっと見る
# AIエージェントをソフトウェアに組み込むプラクティス # コンテキスト予算配分 🎯 「全部入れれば精度が上がる」は幻想です。コンテキストウィンドウは有限の予算として管理しましょう。 スロットごとに配分比率を決め、信号密度を最大化するパターンです。 🔥 解決する課題 RAGやメモリを使うエージェントでは、検索結果・会話履歴・システム指示・長期メモリが同じコンテキストウィンドウを奪い合います。情報を詰め込むほどコストは増え、会話が長くなるとシステム指示の割合が縮んで振る舞いが劣化します。さらに"Lost in the Middle"問題により、窓の中盤に置かれた重要な情報が実質的に無視されてしまいます。 💡 提案パターン コンテキストウィンドウをシステム指示・検索結果・会話履歴・メモリなどのスロットに分け、各スロットに最大占有率と優先度を設定します。システム指示は圧縮対象外の固定枠(10〜20%)として先に確保し、検索結果はリランク後にtop-k件に絞り、履歴は窓使用率が閾値を超えたら要約圧縮します。配置順序はLost in the Middle対策として、最重要情報を先頭に、直近入力を末尾に置きます。cost_sensitivityが高い環境ほどtop-kを絞り、圧縮閾値を下げ、履歴を短く保ちます。 ✅ 選定条件 使うとき: - RAGやメモリを使い、投入候補がモデル窓サイズの50%を超えうる - コスト感度が中以上で、投入トークンの増加がコストや推論時間に影響する - 複数ターンの会話で履歴が蓄積し、他の情報のスペースを圧迫する 使わないとき: - 投入情報がシステム指示+単発入力のみで窓の30%未満に収まる場合 - ロングコンテキストモデルを使い投入量が窓の20%未満、かつコスト感度が低い場合 ⚠️ 落とし穴 - システム指示を圧縮対象にしてはいけません。ツール定義や安全指示が削られると振る舞いが壊れます - リランクなしのtop-kは信号密度が低いです。ベクトル検索上位20件からクロスエンコーダで3〜8件に絞りましょう - 要約圧縮は非可逆です。重要な決定事項や固有名詞が落ちるリスクがあるため、キーワード抽出を併用してください 🔧 実装方針 - コンテキストウィンドウをスロット(system/user/retrieval/history/memory)に分割し、各スロットに最大占有率・優先度・圧縮可否を定義した構造体で管理します - システム指示は圧縮対象外の最高優先度として先に確保し、残りの予算を他スロットに優先度降順で配分します - 検索結果はベクトル検索の上位候補をクロスエンコーダでリランクしてから予算内に収め、信号密度を最大化します - 履歴スロットが予算を超過した場合は要約圧縮を適用し、圧縮前にキーワード抽出して重要情報の欠落を防ぎます #AIエージェント# #ソフトウェアアーキテクチャ#
もっと見る
# AIエージェントをソフトウェアに組み込むプラクティス # コンテキスト予算配分 🎯 「全部入れれば精度が上がる」は幻想です。コンテキストウィンドウは有限の予算として管理しましょう。 スロットごとに配分比率を決め、信号密度を最大化するパターンです。 🔥 解決する課題 RAGやメモリを使うエージェントでは、検索結果・会話履歴・システム指示・長期メモリが同じコンテキストウィンドウを奪い合います。情報を詰め込むほどコストは増え、会話が長くなるとシステム指示の割合が縮んで振る舞いが劣化します。さらに"Lost in the Middle"問題により、窓の中盤に置かれた重要な情報が実質的に無視されてしまいます。 💡 提案パターン コンテキストウィンドウをシステム指示・検索結果・会話履歴・メモリなどのスロットに分け、各スロットに最大占有率と優先度を設定します。システム指示は圧縮対象外の固定枠(10〜20%)として先に確保し、検索結果はリランク後にtop-k件に絞り、履歴は窓使用率が閾値を超えたら要約圧縮します。配置順序はLost in the Middle対策として、最重要情報を先頭に、直近入力を末尾に置きます。cost_sensitivityが高い環境ほどtop-kを絞り、圧縮閾値を下げ、履歴を短く保ちます。 ✅ 選定条件 使うとき: - RAGやメモリを使い、投入候補がモデル窓サイズの50%を超えうる - コスト感度が中以上で、投入トークンの増加がコストや推論時間に影響する - 複数ターンの会話で履歴が蓄積し、他の情報のスペースを圧迫する 使わないとき: - 投入情報がシステム指示+単発入力のみで窓の30%未満に収まる場合 - ロングコンテキストモデルを使い投入量が窓の20%未満、かつコスト感度が低い場合 ⚠️ 落とし穴 - システム指示を圧縮対象にしてはいけません。ツール定義や安全指示が削られると振る舞いが壊れます - リランクなしのtop-kは信号密度が低いです。ベクトル検索上位20件からクロスエンコーダで3〜8件に絞りましょう - 要約圧縮は非可逆です。重要な決定事項や固有名詞が落ちるリスクがあるため、キーワード抽出を併用してください 🔧 実装方針 - コンテキストウィンドウをスロット(system/user/retrieval/history/memory)に分割し、各スロットに最大占有率・優先度・圧縮可否を定義した構造体で管理します - システム指示は圧縮対象外の最高優先度として先に確保し、残りの予算を他スロットに優先度降順で配分します - 検索結果はベクトル検索の上位候補をクロスエンコーダでリランクしてから予算内に収め、信号密度を最大化します - 履歴スロットが予算を超過した場合は要約圧縮を適用し、圧縮前にキーワード抽出して重要情報の欠落を防ぎます #AIエージェント# #ソフトウェアアーキテクチャ#
もっと見る
YASAKANIエンジンで、RTX 5090 の単一デコード 1,220 tok/s を達成!! 今回は世界最速のエンジンである証明をしました。 RTX 5090 1枚・Qwen3.8-27B・1本の生成で、公開されている最速記録を5本すべて上回った(定格・同じ土俵の条件で、最大2.5倍)。 「5090で最速」を名乗る MegaCapybara 1.39 とは、同じPC・定格・同じ問題で直接対決。動画は実際の生成を、記録した時刻どおりに再生しています。 ■ 公開記録 → YASAKANI(tok/s) - mkyt(JSON)500 → 1,220(2.44倍) - NInfer(構造化3問)377 → 937(2.49倍) - TensorFold(英語)298 → 424(1.42倍) - ignis(コード)491 → 532(1.08倍) - MegaCapybara(コード)540※ → 498(同じPC・定格では466、1.07倍) ※540はメモリ+20% OCと自前のプロンプトでの値 ■ 同じPCで直接対決(MegaCapybara 1.39 Tiny、思考オフ・greedy) - JSONL 160行:1,220 vs 635(1.9倍) - 英語の推理小説:424 vs 253(1.7倍) - 中→英 翻訳:613 vs 366(1.7倍) - SQL:745 vs 603(1.2倍) - コード編集(ファイル全文の書き戻し):1,241 vs 440(2.82倍) - JSONL 8,192トークン:1,260 vs 666(1.89倍) 12問の平均でも、構造化1.4倍・散文1.6倍・翻訳1.6倍。 ■ エージェントの仕事ほど速い コード編集は「約4,700トークンのファイルを1か所直して、全文を返す」課題。AIエージェントが毎日やっている作業です。 3つのエンジン(YASAKANI 高速版・標準版・MegaCapybara)の出力は完全に同じ(4,711トークンが一致)で、違うのは速さだけ:1,241 / 1,136 / 440 tok/s。 ■ Qwen推奨設定(思考あり・温度1.0)でも 雑談・説明・コード・数学・JSON・長文入力の6課題の中央値:YASAKANI 381、SGLang 184、vLLM 183、llama.cpp 147(10/18、同じPC、他社は課題ごとに一番速い設定)。 この条件で250 tok/sを超える公開記録は、10月中旬の調査では見つかっていません。 ■ 長い文脈でも 25万トークンの文書を140秒で読み、続きの返事は0.3秒で開始。25万トークンを積んだ状態でも152 tok/s。262,144トークンの窓でVRAM 24.9GB(32GBのカードに収まる)。(10/30計測) ■ 速いだけではない 元モデルとのズレ(KLD):標準版 12.4GB で 0.021。MegaCapybara Tiny は 0.058(16.6GB)。 1,220 は高速版(11.7GB、KLD 0.044)。標準版でも 1,114。 ■ 正直に書いておくこと - ゼロから書くコードは僅差(1.04〜1.08倍)。540はOC込みの値で、定格では向こうも406〜533 - MegaCapybara以外の相手の数字は各自の公表値(別のPC・別のプロンプト・別の日)。同じPCで測ったのはMegaCapybaraだけ - 中国語の物語は英語より遅い(176〜302 tok/s) - 第三者の再現は公開後。それまでは「この条件で測って」と言われれば、同じPCで測って出します ■ 測り方 RTX 5090 ×1(定格600W・OCなし)、Windows、2026-11-03。NInferが公開している12問(コード3・物語3・翻訳3・構造化3)+自作のコード編集・長いJSONL。上限4,096トークン(長いJSONLは8,192)、思考オフ、greedy。速度=(出力トークン数−1)÷生成時間(読み込みは除く)。MegaCapybaraは公開版1.39を公式の1会話設定で起動し、向こうのサーバーの表示とこちらの計測は一致。 エンジンもモデル形式も自作。オープンソース・無料で公開予定。日程はこのアカウントで。 #YASAKANI#
もっと見る
テキストで指示し、カメラも動かせる世界モデルを、単一のRTX 4090で動かす設計まで示した論文です🎮 Hy-Nomas: Towards Free-form Interactive World Generation Tencentのチームによる、8Bの自己回帰型動画ワールドモデルです。自由形式のテキスト、連続カメラ制御、マルチターンの記憶を1つのモデルで扱います。 注目ポイントは3つです。 🧠 アクション対応の因果アテンション 各セグメントのテキストを、後続からも見える記述と、元の時間窓に限定されるアクションに分けます。アクションの順序の誤りや、別のセグメントでの繰り返しを抑える狙いです。 ⚡ 4ステップ蒸留と軽量な推論 サンプリングを100から4関数評価に減らし、INT8やスパースアテンションを併用します。100秒の動画(1280×704、24FPS)がRTX 4090のピークメモリ20.53GiBで生成できます。 📊 テキスト制御で大きく優位 人手評価のプロンプト追従で、LingBot-World v2に対し75.0%勝ち、8.3%負けです。一方、空間記憶はGenie 3に及びません。 インタラクティブな世界生成の、設計と評価をまとめて見られる一本です。 #ワールドモデル# #動画生成#
もっと見る
事故の翌朝、施設の前に三種類の人間が集まった。最初の種類は、白衣の研究者だった。胸の名札は「地熱保全・観測班」。先頭の女は三十代で、名は箕輪といった。箕輪は柵の外の地面にしゃがみ、白い粉を容器に入れて、入れながら舌の裏を押さえた。押さえたことに、本人はまだ気づいていない。「配管の腐食ではない」と箕輪は同僚に言った。「金属が溶けた痕跡と、生物膜の痕跡が同じ継ぎ目にある。膜は熱で死なない。死なないものを、うちの予算項目は持っていない」 二番目の種類は、碑の文を一つで読みたがる集団だった。 現代の衣で、現代の言葉を使う。 使う言葉の底に、古い役職が残っている。彼らは自分たちを「還熱会」と呼んだ。 会の読み手は、夜にクレアの店へ来た客本人だった。客の名は瀬戸。瀬戸は施設の正門でビラを配りながら、配る手を一度止めた。止めた理由は、ビラの文言が頭の中で二つに割れたからだ。  一つは「底は一つ」。 一つは、夢で聞いた再会の手順。 三番目は、名を出さない集団だった。 黒い作業着、施設の許可証、許可証の番号だけが市の台帳にない。彼らは粉を踏まず、モニターの残骸を写真に撮り、撮ったあとに高校生のほうを見た。見た時間は短い。短いあいだに、高校生の舌の裏の重さを数えていた。 クレアは店の窓から、その三つを見ていた。 見ている横で、小学生がパンの袋を抱えている。小学生の名は青葉。青葉は夜から咳が止まらない。咳は空へ向かず、人のいるほうへ折れる。折れる先に、今日は魔物がいた。 魔物は、施設の排水溝から出た。 大きさは犬ほどで、形は殻と膜が喧嘩したまま固まっている。背に厚い甲板、腹に人の肌のような薄膜。薄膜は近くの顔を借りたがる。借りそこねて、青葉の目の位置だけを再現した。再現した目で、青葉を見た。 「還りたい」と魔物は言った。声は青葉の咳に似ている。 箕輪が容器を落とした。落ちた容器の粉が、魔物の腹に貼りつく。貼りついた瞬間、魔物の甲板が一度鳴った。 鳴りは産みたがる音で、腹の膜はそれと別に、散らばった細胞の位置を探していた。 探した先に、瀬戸と、高校生と、黒い作業着の一人とがいる。三人の喉が、同時に塩を思い出して重くなった。 「撃つな」と黒い作業着の男が言った。男は銃ではなく、細い針のケースを持っている。 「殻を割ると子が散る。膜を焼くと、焼け残った細胞が別の血を探す。両方やるな、がうちの手順だ」 「うち、とは」と箕輪が聞いた。 男は答えなかった。答えの代わりに、針を魔物の甲板と膜の境へ刺した。刺した場所から、モニターが昨夜返した二文字が、肉色の表面に浮いた。浮いた字を、還熱会の誰かが読んだ。 読んだ瞬間、瀬戸が膝をついた。 祭の夜と同じ姿勢だ。瀬戸は一つで読む役を、もう保てなかった。 「集まってる」と瀬戸は言った。「この街の底だけじゃない。味を知った喉が、互いに位置を覚えはじめている。 それと、下の殻は、この事故を産卵の咳だと思っている」 高校生がクレアの店の戸を開けた。高校生の名は黒川。黒川は青葉の手を引き、魔物から距離を取りながら言った。 「店に、粉の匂いが移動してます。移動先を、あの黒い人たちが地図にしてる」 窓の外で、魔物がもう一匹、排水溝から肩を出した。二匹目は顔を借りない。 借りないかわりに、空の薄い一角を向いていた。向いた甲板の隙間から、赤い前の光が漏れている。光は神ではない。 先に落ちたものと、後から落ちたものとが、同じ都市の配管で、ようやく手足を持ちはじめた証だった。 箕輪は容器を拾い直し、録音を始めた。 「観測記録。未同定生物。呼称は現場仮名でいい。殻側を、、、、残滓、膜側を、、、、残滓とする。二つは競合していない。競合の前に、同じ夜を選んでいる」 還熱会はビラを捨て、碑の方角へ下がりはじめた。黒い作業着は針をしまい、青葉の咳の回数をメモした。メモの端に、小さい字がある。クレアには読めない。読めるのは、自分の舌の裏だけだった。味はもう、店の中だけに収まっていなかった。
もっと見る
【窓の清掃中にビルから転落 死亡】