⚾️日曜の #Goingは# 阪神・森下翔太に #亀梨和也# がインタビュー🎤 亀梨に明かした打撃論―― 「ホームランは一番ロマンがある」🔥 打撃フォームを微調整し続ける理由、 そして揺るがないホームランへのこだわりに迫る⚾️ さらに… 今年本人が選ぶ“No.1ホームラン”とは！？💥 @K_KAMEofficial @Kame_staff

# AIエージェント開発の意思決定ポイント # 計画先行（Plan-then-Execute） vs 逐次推論行動（ReAct） 📝 🎯 ポイント 「未来をどこまで見通してから動くか」-- これはエージェント設計で避けて通れない分岐です。 まず計画を立ててから実行するか、1ステップずつ観察と行動を繰り返すか。計画を明示的な中間成果物として持つかどうかで、承認フロー・コスト制御・デバッグの設計が根本的に変わります。LLMは1リクエストが高コストなので、計画なしの試行錯誤はトークンを浪費します。しかし環境が動的に変化するなら、精緻な計画も実行中に陳腐化します。 📋 概要 Plan-then-Execute（計画先行）は、タスクを受け取ったらまずLLMが実行計画を構造化データ（JSON/YAML）として生成し、計画確定後（必要に応じて人間承認後）に各ステップを順次実行する方式です。ReAct（逐次推論行動）は、LLMが「観察→推論→行動」のサイクルを1ステップずつ繰り返し、全体の計画は暗黙的にLLMの内部推論に委ねる方式です。 🔍 意思決定のポイント **タスクの変動性（task_variability）** を主軸に判定します。 📊 **環境の動的さによる判定**: - 静的（実行中にデータや外部状態がほぼ変わらない） → Plan-then-Execute - 半静的（大枠は安定だが一部で状態が変わりうる） → Plan-then-Execute＋逸脱時の再計画 - 動的（各ステップの結果が次の選択を大きく左右する） → ReAct 📊 **タスクの性質による判定**: - 手順が定型で人間が事前に承認したい → Plan-then-Execute - 手順は概ね分かるが細部は実行時に決まる → Plan-then-Execute（粗い計画＋実行時微調整） - 手順自体が不明で探索的に進める → ReAct **failure_cost** が高い場合（不可逆操作を含む場合）は Plan-then-Execute に強く倒す動機があります。 💡 要点と詳細 🟢 **Plan-then-Executeの強み**は透明性と制御性です。計画が明示的な中間成果物であるため、実行前に人間が「この手順で大丈夫か」を確認できます。不可逆な操作を含む計画を事前に検証でき、安全性を確保できます。デバッグでも「計画が間違っていたのか、実行が間違っていたのか」を分離して調査できます。計画段階で不要なステップを刈り込めるため、トークン消費の抑制にも有効です。弱点は計画の陳腐化で、環境変化時に再計画のメタループが発生しうるため、再計画回数に上限（2〜3回）を設ける必要があります。 🟡 **ReActの強み**は適応性です。環境の変化にステップ単位で対応でき、予期しない状況にも柔軟に反応できます。計画を立てる余裕がないほど動的な環境や、手順が不明で探索的に進めるタスクに適しています。実装もシンプルで、計画の生成・保存・検証・再計画のインフラが不要です。弱点は予測不能性とコストで、LLMが何ステップ踏むか事前にわからず、自己ループのリスクがあります。 ⚖️ トレードオフ | 観点 | Plan-then-Execute | ReAct | |---|---|---| | 透明性 | 計画が明示的な成果物 🟢 | 暗黙的（LLM内部推論） 🔴 | | 人間の承認 | 計画全体を事前承認可 | 各ステップごとに介入が必要 | | コスト制御 | ステップ数で上限見積り可 | 事前にわからない | | 環境変化への適応 | 再計画が必要（コスト増） | ステップ単位で対応 🟢 | | デバッグ | 計画と実行を分離して調査 | 全ステップログの解析が必要 | | 実装複雑性 | 計画インフラが必要 | ループ制御のみで動作 | 🛠️ ユースケース 🔵 **Plan-then-Executeが向くケース**: 不可逆操作を含む処理、人間承認が必要なワークフロー、コスト予測が重要な処理、手順が定型的なタスク。 🔴 **ReActが向くケース**: デバッグ・調査、動的に変化する環境での処理、手順が不明で探索的に進めるタスク、プロトタイプ開発。 📌 **デフォルト戦略**: 計画先行（Plan-then-Execute）で、計画は人間が編集可能にしてください。最も実用的な折衷は「計画先行＋逸脱時のみ再計画」です。まず計画を立て、各ステップの実行結果が期待と大きく異なる場合にのみ再計画を発動します。再計画では失敗情報を添えて新しい計画を生成するため、同じ失敗を繰り返しにくくなります。再計画回数の上限は2〜3回が目安です。 #AIエージェント# #ソフトウェアアーキテクチャ#

🎨 テキストから高精細な画像を生成するモデルを、完全にオープンなレシピだけでゼロから鍛え上げ、トップクラスのモデルに迫る性能を実現しました。 タイトル: LLaDA-Image: Building Strong Image Generators with Fully Open Training Recipes URL: 🖼️ 概要 LLaDA-Imageは、6BパラメータのDiffusion Transformerをゼロから訓練し、dLLMベースの視覚言語理解モジュールと組み合わせた統一的な画像生成・編集モデルです。TwinFlow蒸留により2〜4ステップという少なさで高速推論できるTurbo版もあわせて公開されています。 🧩 解決する課題 高品質な画像生成にはこれまで大量のペア画像テキストデータが必要とされ、キャプション品質のばらつきや、生成と編集を1つのモデルで両立させる難しさが課題でした。 🛠️ 方法論と提案手法 画像のみの事前学習を中心に据え、220Mサンプルのうち90%以上を画像単独データで訓練し、実画像の比率を生成訓練で98%、教師あり微調整でも70%以上に保つ「実データ優位」なレシピを採用しています。長時間の訓練を安定させるパラメータフリーRMSNormや、参照画像をセマンティック・ピクセル両経路で条件付けする編集用アーキテクチャも特徴です。 📊 ユースケース / 実験結果 Qwen-Image-Benchでは英語53.53点・中国語53.38点でオープンソース最高水準のZ-Image Turboを上回り、長文テキストレンダリングを測るCVTG-2Kでも単語精度0.875でトップの成績を収めています。一方でGenEvalの物体計数は0.53にとどまるなど、今後の改善点も明確に示されています。 #画像生成# #DiffusionModel#

🎬 蒸留された自己回帰の動画モデルは速い一方で、人間の好みからズレがちです。再蒸留も逆プロセスの展開も使わず、「順プロセス」で強化学習アラインメントを行うAstrolabeが、その難題に答えます。 タイトル: Astrolabe: Steering Forward-Process Reinforcement Learning URL: 📝 概要 Astrolabeは、蒸留された自己回帰（AR）動画モデルを人間の視覚的な好みに整合させる強化学習フレームワークです。最大の特徴は、従来の逆プロセス最適化ではなく、順プロセス（forward-process）でRLを行う点にあります。全53ページ・37図の大規模な研究です。 ❓ 解決する課題 蒸留AR動画モデルは効率的なストリーミング生成に向く一方、人間の好みと乖離しやすいという弱点があります。さらに既存のRLは、こうしたアーキテクチャに自然には合いません。一般に、高コストな再蒸留か、ソルバー結合の逆プロセス最適化のいずれかを必要とし、どちらも重くスケールしにくいものでした。 💡 方法論と提案手法 3つの工夫から成ります。 ・負例認識の微調整：推論の終端で正例と負例を対比させ、逆プロセスを展開せずに、暗黙的なポリシー改善の方向を確立します ・ストリーミング学習：ローリングKVキャッシュでシーケンスを段階的に生成し、RL更新は局所的なクリップウィンドウにのみ適用、長距離の一貫性は先行コンテキストへの条件付けで維持します ・複数報酬の目的関数：不確実性を考慮した選択的正則化と動的な参照更新を統合し、報酬ハッキング（見かけのスコアだけ上げる崩壊）を緩和します 🎯 ユースケース リアルタイム・ストリーミングな動画生成で、効率的な蒸留モデルを速さを保ったまま好みへ整合させたい場面に向きます。複数の蒸留AR動画モデルに適用でき、推論の軽さを犠牲にせずに品質を底上げできます。 📊 意義と結果 ・再蒸留や逆プロセス展開という重い経路を避けることで、計算効率のボトルネックに対処します ・順プロセスでの負例認識・ストリーミング更新・報酬ハッキング対策を組み合わせ、堅牢でスケーラブルなアラインメント解を提供します ・複数の蒸留ARモデルにわたって有効性が示され、詳細な定量評価とアブレーションを含みます #VideoGeneration# #ReinforcementLearning#

🌍 衛星画像では「小さすぎて見えなかった」生垣や石垣。それをAIで数えられるようになると、農地を奪わずに森を増やせる道が見えてきます。 📰 タイトル: From pixels to planning: Earth AI for nature restoration 🔗 URL: 💡 概要 Google Researchが、高解像度の衛星画像を「実行可能なベクトルデータ」に変換するEarth AIの取り組みを公開しました。イングランド全域13万km²超を対象に、生垣・石垣・小さな雑木林を一つひとつの地図要素として数え上げたデータセットを一般公開しています。 🔍 解決する課題 気候変動対策の森林拡大は、食料を支える農地と土地を奪い合います。一方、生垣や防風林といった細かな木本性の要素は、農地を減らさずに炭素貯留と生物多様性を高められますが、小さすぎて従来の衛星検出や国家森林調査では捉えられませんでした。「測れないから管理できない」状態だったのです。 🛠 方法論と提案手法 ・3億枚超の衛星画像で事前学習したVision Transformer（ViT）基盤モデルを、約247km²の注釈データで微調整 ・サブメートル級の画像と1m解像度のLiDARを組み合わせ、地表の境界線と立体的な樹木を区別 ・Polsby-Popperのコンパクトネススコアを使い、0.5未満を生垣などの線状要素として自動分類 ・Google Earth Engine上で数千のSentinel-2セルを並列処理して大規模化 📊 ユースケース / 実績 数百万の要素のベクトルデータを生成し、Earth Engineで公開。林間放牧（シルボパスチャー）や農林複合（アグリシルビカルチャー）の支援、環境施策のリーケージ特定など、現場の意思決定に直結する使い方が想定されています。 #EarthAI# #リモートセンシング#

論文模試②財務速報値 （ライブ受験者1809名） 平均点 第３問(20.99/60) ①計算6.52/24 ②計算9.99/20 第４問(25.18/70) ①選択0.87/1 ③計算0.59/4 ③選択2.38/3 ④計算1.17/3 第５問(20.41/70) ①計算8.96/38 合格点・偏差値 第３問 23・52.25 第４問 28・53.49 第５問 23・52.68 合計　 74・52.84

論点：外国人にどう向き合う | 毎日新聞 どこまでも日本社会の問題なのだから「レイシズム、排外主義が人気取りになっている自民をはじめとした反動極右政治にどう向き合うか」あたりの間違いだろ。

【正論】TV「（日中関係で）世の中の風潮として現実から目を背け勇ましいことを言う人が増えてる」 → 日中関係をめぐる世論の風潮を指摘 現実を直視すべきだと訴える内容です。

“無論變成什麼樣子，我都會與邪惡對抗到底！” ——『對魔忍-井河阿莎姬』 「たとえどんな姿になろうとも、私は最後まで悪と戦い抜く！」 ——『対魔忍-井河アサギ』