＜物価高対策①＞ 高市内閣では、国民の皆様が直面されている「物価高」への対応に最優先で取り組んできました。 高市内閣は、国民の皆様が苦しむ「物価高対策」をないがしろにして、自らの政治的信念の実現を優先しているように見えるとのご意見があるようですが、それは私の認識とは異なります。 昨年7月の参議院選挙の期間中、当時の私は党役員ではなく1人の自民党所属衆議院議員という立場でしたが、党遊説班の手配で全国各地の候補者の応援演説に駆け回っていました。 その際に街頭で伺ったのは、物価高に対する悲痛な叫びとともに、「自民党の政策には夢が無い」というお声でした。 日本列島全体が何とも言えない「閉塞感」に覆われている様に感じました。 ファクトで見てみましょう。 実際、昨年7月当時の「インフレ率」は前年比3.1％、「実質賃金上昇率」は前年比0.3％でした。 その後、10月21日に総理に就任した私は、最優先で「物価高対策」の為の補正予算を編成するとともに、皆様の将来への不安を希望に変えるべく『日本成長戦略』と『地域未来戦略』の策定を目指してきました（両戦略は、今年7月に閣議決定済み）。 これまでに講じてきた「物価高対策」の政策効果もあり、下図の通り、「Ｇ７で最も低いインフレ率（前年比1.7％）」「Ｇ７で最も高い実質賃金上昇率（前年比1.7％）」を実現することができています。 「実質賃金上昇率」というのは、「物価の伸びを上回る賃金の上昇分」のことですが、日本では、7カ月連続のプラスとなっています。 なお、この後に紹介する各種の「支援策」などによるインフレ率の押し下げ効果については、例えば、 ・ガソリン暫定税率廃止や燃料油補助等により、0.7％ポイント ・いわゆる教育無償化により0.3％ポイント とされています。 本日は改めて、高市内閣が最優先に取り組んできた「物価高対策」について、順次、ご紹介します。

# 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意思決定ポイント # temperature｜Temperature 🎯 ポイント temperatureを「とりあえず0.7」で全ステップ共通にしていませんか？ 実はタスクの性質によって最適値は大きく異なり、1つのエージェント内でもステップごとに切り替えるのが正解です。意図分類は0、ツール選択は0〜0.1、回答生成は0.3〜0.5、アイデア出しは0.7〜1.0。この使い分けが品質と安定性を両立させる鍵です🎛️ 📋 概要 temperatureはLLMの出力の確率分布をどの程度「なます」かを制御するパラメータです。高いほど多様で創造的な出力になり、低いほど再現性が高く決定論的な出力になります。エンタープライズのエージェント設計では、一律の設定ではなく、処理ステップの性質に応じたきめ細かい制御が求められます。「正確さが必要な場所」と「多様性が必要な場所」を明確に区別し、それぞれに適切な値を設定することで、品質の安定と表現の豊かさを同時に実現できます。 🔍 意思決定のポイント このダイヤルは「タスクの性質」で決めます。 事実抽出・分類・判定・コード生成 → 低temperature（0〜0.2）。正確性と再現性が最優先 要約・報告書・顧客対応ドラフト → 中temperature（0.3〜0.7）。安定性と自然さのバランス ブレインストーミング・バリエーション生成・創作 → 高temperature（0.7〜1.0）。多様性重視 重要なポイントとして、temperatureとtop_pを同時に大きく動かすと出力が不安定になります。片方を固定し片方で調整するのが基本です。また、本番とテストで同一のtemperature設定を使ってください。テスト時だけ0にすると、本番で初めて出力のぶれに気づくことになります⚡ 💡 要点と詳細 エージェント内でのステップ別temperature設定の考え方： 意図分類ステップ — temperature=0。ここがぶれると後続の全処理が狂うため、決定論的に分岐させます。 情報検索・ツール選択ステップ — temperature=0〜0.1。正確なツール呼び出しが最優先です。 回答生成ステップ — temperature=0.3〜0.5。自然な文章だが安定した品質を維持します。 提案・アイデア出しステップ — temperature=0.7〜1.0。多様性を重視し、幅広い選択肢を提示します。 計測すべき指標は、出力一貫性（同一入力N回の一致率、分類タスクなら95%以上を目標）、幻覚率（事実と異なる記述の発生頻度）、ユーザー満足度（特に顧客対応の文面品質）、eval成功率の分散（temperatureが高いほどevalがぶれる）です📊 ⚖️ トレードオフ temperatureが高すぎると、出力のばらつきが大きくなり品質の安定性が下がります。幻覚（hallucination）の発生確率も上がる傾向があり、事実に基づく回答が求められるエンタープライズ用途では致命的です。同じ質問に対して毎回違う回答が返ってくるのは、業務システムとしては信頼を損ないます😰 一方、temperatureが低すぎると、表現が画一的になりユーザーに「機械的」と感じさせます。顧客対応の文面が毎回同じテンプレート感だと、パーソナライズされた対応を期待する顧客の満足度は下がります。また最適解以外の選択肢を探索できないため、局所最適に陥りやすくなります⚠️ 🛠️ ユースケース ServiceNow ITヘルプデスク：チケット分類（temperature=0）→ ナレッジ検索（0）→ 回答生成（0.3）の3段構成。分類と検索は正確性最優先、回答だけ自然な文章にする設計です。分類精度が不安定な場合、temperatureではなくプロンプトを改善してください📚 Shopify商品説明生成：商品属性の構造化抽出（0）→ 説明文の複数バリエーション生成（0.8）→ 品質チェック（0）。創造的な部分だけtemperatureを上げ、前後の構造化処理は決定論的に固定します🎯 Slackブレスト支援ボット：全ステップでtemperature=0.9。多様なアイデアを出すことが目的なので、安定性より多様性を全面的に優先します🔧 実践のコツ：まずtemperature=0でevalを作成しベースラインの品質を確認してから、必要に応じて上げてください。分類精度が不安定な場合はtemperatureを動かすのではなくプロンプト改善で対処し、顧客対応の文面が画一的と指摘されたら0.1〜0.2刻みで段階的に上げてください。幻覚率が許容範囲を超えたら、temperatureを下げるか事実検証ステップを挟むのが定石です💪 #AIエージェント# #エンタープライズアーキテクチャ#

🕶️ 自分の体の動きで一人称の世界を歩き回り、しかも「特定の場所に何があるか」を画像とポーズで指定して時間変化まで作れる——身体性のある一人称世界モデルAnchorWorldです。 タイトル: AnchorWorld: Embodied Egocentric World Simulation with View-based Evolution Customization URL: 📝 概要 AnchorWorldは、人間の全身モーションで操作する一人称動画を生成する世界モデルです。さらに「アンカービュー」で、特定の3D位置に何が存在し、どう時間変化するかを明示的に指定できます。 ❓ 解決する課題 既存の世界モデルは、一人称動画だけでは全身モーションの教師付けが難しく、環境も暗黙的にしか定義できませんでした。「自然な身体操作」と「局所的な世界カスタマイズ」の両方が欠けていたのです。 💡 方法論と提案手法 ・一人称では体の多くが見えないため、三人称動画を補助教師に使い、全身と環境の位置関係を学習します ・アンカーはRGB画像・6-DoF視点ポーズ・進化プロンプトの3要素で、特定位置の見た目と時間変化を指定します ・3D RoPEで複数アンカーを空間的に区別し、masked cross-attentionでアンカーごとのテキスト制御を実現します ・三人称→一人称→静的アンカー→動的進化、の4段階で段階的に学習します（Wan 2.2 TI2V 5B上に構築） 🎯 ユースケース VRの身体性アプリ、一人称ゲームの環境設計、身体性AIの学習シナリオ、局所制御つきのインタラクティブ動画生成などに使えます。 📊 実験結果 ・一人称静的シーンでCLIP-V 0.885、カメラ精度ATE 0.112mとPlayerOneなどを上回りました ・一人称動的シーンのテキスト整合（VideoAlign-TA）は0.717で、CaM-Egoの0.385を大きく超えました ・分布外のUEシーンや実世界でも、初期ビューとアンカーの重なりが少ない条件で強い汎化を示しました #WorldModel# #EmbodiedAI#

働いている人の7人に1人は、65歳以上だ。定年で人生が区切られるという前提を、私はもう使っていない。 総務省の集計で、65歳以上の就業者は930万人になった。21年続けて増えている。就業者全体に占める割合は13.7%で、こちらも過去最高だ。年代別に見ると、65歳から69歳の就業率は53.6%。半分以上が働いている。70歳から74歳でも35.1%になる。 産業別で目を引くのは医療と福祉で、115万人。10年前のおよそ2.3倍だ。 この数字を、高齢者が働かされているという話として読むこともできる。ただ、キャリアの設計という観点では別の読み方になる。 40代の人が今から考えるべきなのは、60歳で終わる想定ではなく、あと25年働く想定だ。25年あれば、専門を作り直す時間がある。いま身につけているものが10年後に価値を失っても、次を作る余地がある。逆に、あと10年しかないと思って我慢を選ぶと、その後の15年が空白になる。 長く働く時代の怖さは、体力ではない。同じことを40年やることのほうだ。 あなたが働く年数は、いま何年残っていますか。

AIエージェントの性能はモデルだけで決まらない——ハーネスの設計次第で大きく変わります。 TL;DR JIT-Agentはタスクの特性に応じてエージェントハーネス（スキャフォールド）をジャストインタイムで自動生成・修復・進化させる専用モデルです。GLM-5.2で+7.7pt、DeepSeek-V4-Flashで+8.8ptの平均向上を達成し、9ベンチマーク中8つでGPT-5.6を含む全フロンティアモデルを上回りました。 タイトル: Scaling Harness Intelligence via Just-in-Time Harness Evolution URL: ポイント 🧩 ハーネスを「学習可能なアーティファクト」として定式化 メモリ・計画・アクション・能力オーケストレーションの4モジュールプロトコル h = (M, P, A, F) でハーネスを形式化。生成空間を制約しつつ13種類の既存ハーネスを全て表現できる設計です。 🎓 教師あり→修復→進化の3段階訓練 ステージIで教師生成ハーネスを学習、ステージIIで実行失敗時の修復を学習（最大2反復）、ステージIIIのEvo-GDPOでパレートフロンティアを前進させる新規ハーネスを進化的に探索します。 📊 精度向上とコスト削減を同時達成 xBench-DeepSearchでスコア78→82（+4pt）の一方、トークン消費は527K→212K（▲60%）、コストは$0.075→$0.039（▲48%）。9ベンチマーク平均で固定ハーネス比36%のトークン削減を実現しています。 ⚡ 複数モデルファミリーに転移可能 JIT生成ハーネスはDeepSeek V4（+10.2pt平均）、Mimo V2.5（+8.6pt）、Qwen 3.6（+4.0pt）でいずれもReActを上回り、ハーネス生成器を再訓練せずに転移できます。 🔄 ストリーミングモードで運用中も進化 デプロイ後もタスクシーケンスをまたいでハーネスを蓄積・更新する「オンライン進化」を実装。静的生成より全評価ベンチマークで上回ります。 ベースモデルのスケーリングと独立した「ハーネス知性」という新たなスケーリング軸の提案として注目です。 #AIエージェント# #LLMスケーリング#

動画作成：今日も元気な島川波菜 実は最初、目標は807人ではなく870人で提案しました。 でも島川から 「自信ないので807人にさせてください…！🥹」 と言われて807人にしたのですが、1日で達成するとは… 島川波菜、侮れないぜ。。。 明日は島川と1日一緒なので、沢山ポストさせていただきます📮！ #ロージークロニクル# #ハロプロ# #島川波菜強化月間#

ターミナルエージェントの訓練データ、実は「指示・環境・解答・検証器」がバラバラで解けないタスクが量産されがち——その根本を絶つ合成フレームワークが登場しました。 タイトル: FACET: Preserving Source Intent and Executable State in Terminal Task Synthesis URL: 📌 概要 関連スキルを情報豊かなシナリオへ再構成し、環境を先に構築してその実行状態を共有の土台に。指示・解答・検証器を同じ状態に接地して生成します。 🧩 解決する課題 ・多段生成で元素材の依存や中間状態が失われる ・指示/環境/解答/検証器が食い違い、解けない・評価できないタスクになる ⚙️ 提案手法 ・7万件超のスキルを収集し5次元シナリオへ再構成 ・Dockerで環境をビルドし実状態を共有チャネルに ・指示→解答→検証器を順次生成し、失敗箇所だけをルーターが特定して修復 📊 実験結果 ・平均22.77テスト/タスクの検証済み6,078件を合成 ・Qwen3.5を微調整し4B +40.5%、9B +30.1%、27B +16.5% ・27B(47.57)が約15倍大の397B(49.06)に肉薄 ・エンドツーエンド歩留まり70%で競合の15〜28%を圧倒 質の高い実行可能タスクは、量産ではなく丁寧な状態接地から生まれる、と示す一本です。 #LLMAgents# #TerminalBench#

💡 Rubrik, Inc. $RBRK Q2 FY2027決算 2026-08-27 💰 今四半期業績 - 🟢 EPS：$0.20 (予想$0.04) - 🟢 売上高：$427.3M (予想$396.3M) 📊 重要指標 - 🟢 Subscription ARR：$1.66B (YoY+33%) - 🟢 Cloud ARR：$1.48B (YoY+39%) - 🔴 Non-GAAP粗利率：81.0% (前年同期81.6%, YoY-60bps) - 🟢 Subscription ARR Contribution Margin：14.0% (前年同期9.4%, YoY+460bps) - 🟢 フリーキャッシュフロー：$65.7M (Est. $39.7M) (FCFマージン15%) - 🟢 営業キャッシュフローマージン：18% - 🟢 $100K以上Subscription ARR顧客数：3,084社 (YoY+23%) 📊 次四半期ガイダンス - 🟢 EPS：$0.08 (予想$0.06) - 🟢 売上高：$430M (予想$418.28M) 📊 通年ガイダンス - 🟢 EPS：$0.50 (予想$0.31) - 🟢 売上高：$1.69B (予想$1.64B) 📍決算内容の注目ポイント - Rubrik AIを発表。Rubrik Security CloudとRubrik Agent Cloudにまたがるエージェント・ファーストのAIレイヤーで、自律的なサイバーレジリエンスを実現 - Identity Resilienceを強化。Identity Roll ForwardおよびIdentity Continuity機能を導入し、攻撃後のID復旧と認証継続性を確保 - Anthropic Claude Code向けRubrik Agent Cloudを発表し、Cognizant、Deloitte、HCLTech、NTT DATA、WiproとのGSIアライアンス「Project Hourglass」を公開 - 2026年Gartner Magic Quadrantのバックアップ・データ保護部門で7年連続Leaderに選出。Visionの軸で最も先進的なポジションを獲得 - 英国に£375M（$500M）の投資を発表し、LondonをEMEA本社に指定 🤵‍♂️CEO (Bipul Sinha) コメント 「Mythosやフロンティア型AIモデルはサイバーセキュリティの景色を根本から変えました。この新たな現実は、マシンスピードでのサイバーリカバリーだけでなく、自律的なランタイムAIエージェントセキュリティを必要としています。RubrikのAgentic Cyber Resilienceはその両方を実現し、信頼されるAI変革を可能にします。我々はAI加速の機会がまだ初期段階にあることに、かつてないほどの確信を持っています。」 🤵‍♂️CFO (Kiran Choudary) コメント 「Subscription ARRの33%成長、拡大するSubscription ARR Contribution Margin、そして引き上げた見通しは、我々のスケールにおける着実な実行力への自信の証です。FY2027の後半に強いポジションから入ることができることを嬉しく思います。」 🔍 主要ファンダメンタルズ指標 - 時価総額: 22.06B - PER: -73.40 - Forward PER: 345.54 - PEG: -0.97 🎯市場評価 - 株価 (発表前): 📈$107.18 (11.49%) - 株価 (発表後): 📈$109.56 (2.22%) - 決算前アナリスト目標株価: $96.5 ($120 ~ $70) C - 決算総合サプライズ率 (AI推定): 🤩30.12% - 決算後目標株価 (AI推定): $123.85 🤖 決算まとめるくん(AI)コメント 「Rubrikの今四半期決算は、売上高・EPS・フリーキャッシュフローの全てにおいてアナリスト予想を大幅に上回る極めて強い内容でした。 Non-GAAP EPSは$0.20と、予想$0.04に対して5倍の水準を記録し、前年同期の赤字($-0.03)から大幅な黒字転換を達成しています。売上高$427.3Mも予想比+7.8%と力強く、YoY+38%の成長率は前四半期からさらに加速しています。材料権利(material rights)を除いた正規化売上高はYoY+43%とさらに高い成長率を示しました。 Subscription ARRは$1.66B（YoY+33%）、Cloud ARRは$1.48B（YoY+39%）と、サブスクリプション型ビジネスモデルの堅調な拡大が継続しています。Subscription ARR Contribution Marginが9.4%から14.0%へ460bps改善した点は、スケールメリットと営業レバレッジの発現を示す重要なシグナルです。 ガイダンスも全項目で引き上げられ、通年売上高$1.685B-$1.693B（予想$1.64B）、通年EPS $0.47-$0.53（予想$0.31）と、いずれも市場予想を大きく上回っています。通年FCFガイダンス$323M-$333Mも予想$295Mを上回り、収益性改善の持続性に対する経営陣の自信が窺えます。 一方、GAAP基準では依然として赤字（純損失$61.8M）であり、SBC（株式報酬）$101Mが利益構造に大きく影響しています。Altman Zスコア2.64、Piotroskiスコア4と財務健全性指標はやや注意が必要な水準です。また、Non-GAAP粗利率が81.0%と前年同期比60bps低下しており、コスト圧力の兆候も見られます。 Rubrik AIやAgent Cloud等のAI関連プロダクトの展開、 評価は🚀ポヨ」 🏢 Rubrik, Inc. 概要 - セクター: テクノロジー - 特徴: エンタープライズ向けデータセキュリティ 🤘情報提供 Stock Slayer :

Microsoftの研究チームが、画面を操作するAIエージェント（computer-use agent）を訓練するための合成環境「Echoverse」を発表した（https://arxiv[.]org/html/2607.28074v1）。 AIエージェントは、自分の操作が実際に何かを変化させる場でしか学習できない。でも本当に鍛えたい相手はメールや銀行、カルテのようにログインが必要で状態が刻々と変わる（stateful）アプリで、本物のサービスを壊すわけにはいかない。そこでデータベースごと丸ごと動く合成環境を代わりに使う。 これまでの手法はこうした合成環境を大量に作ることに力を入れてきたが、この論文は数より深さだと主張する。レシピサイトAllrecipesを模した環境で試したところ、浅い環境で訓練すると実際にベースモデルより性能が落ちてしまった。逆に、権限やエラー処理が本物通りに動き、最初の選択が後の展開を左右するような深い環境で訓練すると、同じドメインで性能が上がった。 合否判定にも工夫があり、スクリーンショットをAIに見せて「できていそうか」を判定させるのではなく、実際のデータベースの差分を正解データと突き合わせる「grounded grading」を採用している。エージェントが完了したふりをしても見抜ける仕組みだ。 結果、先ほど例に挙げたメールや銀行を再現したEchoMailやEchoBankなど10個の業務ドメインに、日付ピッカーなど特定の操作だけを鍛える2個の環境を加えた計12環境、2万1009本の実行履歴を使って90億パラメータのモデル（Qwen3.5-9Bベース）を訓練したところ、14項目の評価平均でベースモデルの36.5%から67.1%まで伸び、この訓練データを作った教師モデルGPT-5.4の80.7%まで14ポイント差に迫った。 面白いのは、EchoStay（民泊予約の模擬環境）で宿泊人数を指定する操作が正しく機能しないというバグを1つ直しただけで、それまで完了できなかった予約タスク24件のうち15件が新たに通るようになったこと。環境のバグ修正が、そのまま多数のタスク改善につながる。 さらにこの合成環境はそのまま強化学習の訓練場にもなる。正確にリセットでき、並列実行でき、報酬がデータベースの状態に基づくため信頼できるからだ。環境の数を増やすより、モデルが実際につまずく場所を見つけて環境ごと直し続けるループが効くという結論。