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 8つのアクション
8つのアクション 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
8つのアクション を含む検索結果
【暑さ対策8つのアクション】 今年の夏は、平年より気温が高くなり、猛暑になると予想されています。夏を安全・快適に乗り切るために、#8つのアクション# を習慣にしましょう。熱中症から命を守る行動を! #暑さ対策# #東京クールビズ# #沸とう京#
もっと見る
【アケアカ2】『ウィズ』9月3日に配信。1985年にセイブ開発から発売されたアクションゲーム 魔法使い・ウィズとなり、8つの魔法を駆使して地底から地上、そして天空へと進みながら魔物たちを撃破。最後に待ち受ける天空のドラゴンとの戦いに挑む。
もっと見る
Novel Core 22歳最後の日に、初の武道館ライブ。 3年前に約束した夢の日が、今日だった。 夢っていうのは大きければ大きいほど周りからも本気だと思ってもらいづらく、嘲笑されることも多い。表でも裏でもされるよね。 でも自分の夢を本気で信じる事が、本気で近づくためのアクション…本気の努力に繋がるし、 一つずつそれを、正しい方向の努力を正しいメソッドで成していけば、いつのまにかなりたい自分になっているもんで。 気付いたら追いかけてた夢が現実になって、それすら追い越している。 …言葉にすると簡単だけど、それがどれだけしんどくて苦しくて孤独な事か、俺はよーく、よおおおおく知ってる。 今日のCoreの姿の一瞬一瞬に、その裏側にある日々がありありと見えて、 そして俺達が過ごしてきたこの3年間が蘇ってきて、 感慨の極みに至った思いは、「本気で生きる事がいかに美しいか」。 あの日初めて会った、傷つく事に慣れた10代の少年は、どこか昔の自分の様に感じていた。 いつの間にか彼の全てが僕にとって圧倒的自分事で、唯一無二の存在になっていて… そして今日!あの日の少年に、僕のこれまでの人生全てを肯定してもらった気すらしている。 Core、生きててくれてありがとう。俺と出会ってくれてありがとう。 まだまだやるべき事がたくさんあるからね!いっぱい夢を見て行こう! 一つの夢が完結して、もっっと大きな夢が始まった、 そんな素敵な日でした。 お前の夢は俺の夢!行けるとこまでかっ飛ばそうぜ! P.S. 俺の写真は撮らないでいいから…笑 Novel Core "HERO"彼の誕生日の1/18リリースです🔥 #NovelCore_HERO#
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
【11/13~】 #夢物語TheLivingDragon# ⚠️11/14の18時の回上映後に100席限定で、倉田保昭氏の舞台挨拶、詳細は当館HPへ! 香港映画の黄金期を生き、#ジャッキー・チェン# などのスターと共演してきたアクション俳優 #倉田保昭# が製作・主演を務めた3つの物語🔥 #進富座# #伊勢#
もっと見る
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#
もっと見る
アーケードアーカイブス「カルノフ」,9月10日配信。9つの武器を使い分け,火を吹くカルノフを操作して暗黒の帝王を倒す ・1987年にデータイーストが発売したアクションゲーム ・9月10日19:00から公式番組「アーケードアーカイバー」で特集
もっと見る
🎮 一度も学習していない商用ゲームでも、歩いて車に乗って運転できるゲームAIが登場しました。しかも学習に使ったのは実在のゲームではなく「合成環境」です。 タイトル: Player-1: Learning to Play from Synthetic Experience URL: 注目ポイントは3つです。 🕹️ ゲーム専用のアクション空間 相対的なポインタ移動でカメラ操作に対応し、キーを押し続ける「持続入力」、複数のキー入力を同時に行う「複合アクション」(走りながらジャンプなど)を導入し、ゲーム特有の操作を表現できるようにしました。 🏗️ 16個の合成環境でのRL学習 照準・戦闘・運転・ナビゲーション・UI操作をカバーする16の検証可能な合成2D/3D環境を用意し、見た目やカメラ、操作感度まで同時にランダム化することで、特定のゲームへの過学習を防いでいます。 🚀 学習していないゲームへの汎化 強化学習に使っていないMinecraft(MineDojo-300)で成功率9.21%→38.33%、ViZDoomでもスケーリング済みリターンが83.7%向上。未学習の商用ゲーム「Watch Dogs 2」でも歩行から運転まで一連の操作をやり遂げました。 合成環境の数を2から16に増やすほど未知環境への汎化が伸びるという知見も、今後のゲームエージェント開発にとって実用的です。 #ゲームAI# #強化学習#
もっと見る
🎮 一度も学習していない商用ゲームでも、歩いて車に乗って運転できるゲームAIが登場しました。しかも学習に使ったのは実在のゲームではなく「合成環境」です。 タイトル: Player-1: Learning to Play from Synthetic Experience URL: 注目ポイントは3つです。 🕹️ ゲーム専用のアクション空間 相対的なポインタ移動でカメラ操作に対応し、キーを押し続ける「持続入力」、複数のキー入力を同時に行う「複合アクション」(走りながらジャンプなど)を導入し、ゲーム特有の操作を表現できるようにしました。 🏗️ 16個の合成環境でのRL学習 照準・戦闘・運転・ナビゲーション・UI操作をカバーする16の検証可能な合成2D/3D環境を用意し、見た目やカメラ、操作感度まで同時にランダム化することで、特定のゲームへの過学習を防いでいます。 🚀 学習していないゲームへの汎化 強化学習に使っていないMinecraft(MineDojo-300)で成功率9.21%→38.33%、ViZDoomでもスケーリング済みリターンが83.7%向上。未学習の商用ゲーム「Watch Dogs 2」でも歩行から運転まで一連の操作をやり遂げました。 合成環境の数を2から16に増やすほど未知環境への汎化が伸びるという知見も、今後のゲームエージェント開発にとって実用的です。 #ゲームAI# #強化学習#
もっと見る
動画生成が長くなるほど、過去のどのフレームを覚えておくべきかが難しくなります。「今に似ているか」ではなく「これから必要になるか」で選ぶ発想が登場しました。 タイトル: FrameMorrow: Future-guided Frame Selection with Prospective Tokens for Long-Horizon Video Generation URL: 📝 概要 過去フレームの選択を「現在との類似度」ではなく「未来の情報ニーズとの関連性」で行う手法FrameMorrowを提案。実際の未来フレームを生成せず、未来に重要になりうる情報を予測する「展望トークン」を使います。 ❗ 解決する課題 既存手法は直近のコンテンツに似たフレームを残しますが、これは近視眼的です。視覚的に似ているだけのフレームは今後の生成には役立たないことが多く、長編動画の一貫性が崩れがちでした。 🛠️ 方法論・提案手法 凍結した視覚エンコーダ(DINOv2)を使い、学習可能な射影とアテンション機構だけで展望トークンを自己回帰的に予測。実際に実現した未来フレームとの類似度を教師信号とする「未来接地ランキング蒸留」で学習します。生成器は凍結したまま、選択した明示的なフレームをアダプタ経由で渡すプラグアンドプレイ設計により、オープンソースモデルだけでなくSeedance 2.0やKling O3のようなクローズドソースAPIにも適用可能です。 📊 実験結果 5つのベンチマーク・11モデルで評価し、インタラクティブ生成では一貫性が84.95→89.30、アクション条件付きワールドモデルYuMe 1.5ではアクション整合性0.883→0.912に改善。ユーザースタディでも一貫性の選好率62.7%(ネイティブモデル16.7%)と大差で選ばれました。 #動画生成# #AI研究#
もっと見る