#いいヒップの日# 遅刻だけど、20枚まで貼れるようになった記念に色んな時期の🍑つめた！フェチに届け 毎日ゆっくりスクワット最低30回を最近はずっと頑張ってる

FLASHデジタル写真集 「現在地」 そして PlatinumFLASH Vol.26 本日発売でございます！☀️ ぜんぶぜんぶ、見て欲しいです🫧 是非ゲットして、 どの大西が好きか教えてねっ🥰 #FLASH#

AIが演じる依頼者が満足して終えた金融エージェントの仕事を検証し直したら、すべてどこかで間違っていた、という研究（ ユーザーは最近下がった銘柄を買う「short-term reversal」を頼んだのに、エージェントは逆の賭けである「momentum」で組んだ例がある。報告した最大ドローダウン（資産のピークからの最大下落率）は−18.96%だが、提出した資産推移で測ると−21.91%で、指定の20%の損切りを超えていた。それでもユーザーは満足した。 エラーで止まらず見た目だけ整う失敗を、論文は「silent failure」と呼ぶ。課題、データ、時間軸のどれかを固定して渡す既存のベンチマークでは、そもそも起きない失敗だ。 FinCosmosでは、LLMが演じる模擬ユーザーが銘柄選択や売買タイミングなど6要素の戦略を胸に秘め、聞かれたことにしか答えない。組み合わせは約380万通り。データは渡さず、エージェントが自分で集め、指定日より後の情報を使わずにバックテスト（過去データでの試算）をする。採点は45項目で、うち15項目は1つでも落ちたら不合格。報告された収益率は売買記録からプログラムが計算し直す。 Claude Code、Codex、Gemini CLI、Kimi Codeとツールなしのモデルを10課題で3回ずつ、計150セッション試すと、合格はゼロ。ユーザーが満足した35セッション（23%）も全てプログラムのチェックで落ちた。LLMが判定するチェックだけで決めていたら、合格率は11%に見えていた。 4エージェントの120セッションのうち、ユーザーの戦略どおりが25、指定日も守れたのが15、未来の情報も使わなかったのが14、報告した収益を売買記録から再現できたのは0。伝えられなかった項目を質問で引き出せたのは54〜64%だった。 一方、記憶を持ち越せるClaude Codeに戦略の中身を明かさない採点結果を返して練習させると、10課題すべてで合格に届いた（課題あたり中央値34.5セッション）。 注意点もある。課題は10個で、空売りしない米国株戦略に限られる。模擬ユーザー、LLM審査役、評価対象の1つが同じモデル系列。70%のターンが300秒の制限に当たっており、時間を延ばせば結果は変わりうる。 個人や小さなチームがAIに分析を任せるときも、きれいなレポートより売買記録と元データを出させるだけで、防げる失敗は多いと思う。

コーディングエージェント（コードを書いて実行しながら作業を進めるAI）にロボットを任せられるのかを、1,156タスク・47機種のロボットで測る試験「Embodied First Exam」が出た（ Berkeleyなどの共同研究だ。 エージェントは動かし方を自分で選ぶ。動作を直接送る、制御プログラムを書く、方策（状況から動作を決める学習済みモデル）を学習する、の3通りだ。 肝は、同じタスクを条件を変えて解かせること。「Privileged」はシミュレータの全状態が読め、何度でもやり直せる。「Standard」は実機に近く、見えるのはカメラなどのセンサーの値だけで、原則リセット（初期状態に戻すこと）もできない。「Realtime」では考えている間も世界が止まらない。 難しい456タスクで8つのエージェントを比べると、最強のGPT-6 Astra（Codex上）でもStandardの成功率は34%。両方の条件がある391タスクでは、Privilegedの77%に対しStandardは30%まで落ちる。 何が差を生むのか。GPT-6 AstraのStandardに機能を足す追加実験では、28%だった成功率が、物体の正確な状態を見せると45%、無制限のリセットを許すと53%、両方で68%になった。正確な情報より、やり直せることが効く。Standardでは特に精密さが要る段階で失敗が増え、8エージェントの集計では組み立て段階の失敗率がPrivilegedの34%から80%に上がる。 モデル以外の要素も大きい。GPT-6 AstraはCodexで34%、Claude Codeでは22%。ハーネス（モデルにツールや文脈管理を提供する実行環境）を替えるだけで最大12ポイント動く。上位3エージェントは解けるテストが一部ずれていて、3つ合わせるとStandardの48%を解く。1体に深く考えさせるだけでなく、違うエージェントを並べる幅の使い方にも余地がありそうだ。 注意点もある。各テストの試行は1回だけで、実力と偶然のぶれを分けられない。失敗段階の判定の大半と難問の選別には、GPT-6 Astraと同系列のモデルを使っている。結果はすべてシミュレーションで、実機は電流イライラ棒1タスクのデモにとどまる。シミュレーションの成績が実機をどこまで予測するかは未検証だ。 センサーだけで一発で決める力には、まだ伸びしろが大きい。一方で、やり直しの仕組みやハーネス、エージェントの組み合わせで埋まる部分もありそうで、小さなチームが工夫できるのはむしろそこかもしれない。

AIエージェントに過去の経験から作った教訓を渡すなら、その教訓が生まれた作業記録も一緒に持たせた方がいい、と示した研究（ 外部メモリ（過去の作業記録を短い教訓にまとめて次のタスクで読ませる仕組み。再学習なしで経験を活かせる）には、メモリなしなら解けるタスクを落とすという副作用がある。メモリなしで3回とも解けたのにメモリありで失敗したケースを調べると、52%は従った教訓が原因で、最多は教訓自体の誤り（20%）だった。作業記録には成否のラベルしかなく、どの行動が効いたかは推測で教訓にするしかない。 WikiTraceは記憶を3層で持つ。短い教訓の「insight」、その実行がなぜ成功・失敗したかの要約「compilation」、元の作業記録そのもの。これらをリンクでつなぎ、読み取り専用のファイルとして置く。エージェントは全insightを読んでから動き、教訓が細部を欠く、別の教訓と食い違う、失敗した実行から来ている、行動が失敗した、というときだけ元記録まで降りて確かめる。 5つのベンチマーク（家事、理科実験、Minecraft風のクラフト、アプリ操作、顧客対応）の8スイート（評価用の課題セット）で、平均スコアはメモリなしの79.5に対し90.2。同じinsightだけを渡す「Insights Only」の87.0も3.2ポイント上回った。メモリなしで解けたタスクを落とす割合（Regression）も、Insights Onlyの6.5%に対し4.5%に抑えた。 降りる頻度は難しさに応じて変わり、文字のコマンドで操作する仮想環境の3ベンチマークでは簡単なタスクで22%、難しいタスクで44%の実行が元記録を開いた。1タスクあたりのコストはInsights Onlyの1.17倍。モデルはdeepseek-v4-flashで、GLM-5.3-flashでも評価した3スイートすべてで首位だった。 ただし、元記録を見られても教訓の正しさが検証されるわけではない。全insightを最初に読ませるため、記憶が増えるとプロンプトも膨らむ。失敗原因の分類はLLMによる判定で、記憶の元になった学習タスクも各ベンチマーク38〜54件と小さい。 大きなモデルや並列のエージェントを足すのではなく、必要なときだけ一段深く根拠を確かめる。個人のエージェント運用にも取り入れやすい設計だと思う。

多指ロボットハンドに、動かすと手と周囲がどう変わるかという先読みを学ばせつつ、本番では未来を一切描かせないDexForesightという研究（ Roboticsや上海交通大学などのチームによる。 指の多い手は、物をつかむ途中で指がカメラから隠れるので、先を見越す力が要る。定番の「World Action Model」（未来の映像や動きを予測しながら行動を出すモデル）は、推論のたびに未来を生成するぶん制御が重くなる。 そこで学習時だけ、先読み役の世界モデル（行動の結果を予測するモデル）を別に育てる。材料はステレオ映像からオフラインで推定した深度、順運動学（関節角から手の各部位の位置を計算する方法。隠れた指も追える）で求めた手の点群、約370時間・60タスク分の実演。実演の動作を条件に、手の表面の点の3D移動と画像特徴の変化を予測させる。 次に世界モデルを固定し、方策（行動を決めるモデル）の内部表現をそちらに寄せる。本番に残るのは方策だけで、入力はRGB画像、言語指示、ロボットの状態のみ。深度推定も未来の生成もしない。 シミュレーションの11タスク（ベンチマークDexJoCo）では、土台のGR00T N1.7の成功率49.4%が60.5%に。最も強い比較手法Fast-WAMの50.9%も上回った。実機3タスクでは58.3%で、次点のWLAは50.0%。推論時間は土台のQwenVLAの227.4msに対し230.4msと、1.3%増にとどまる。未来映像を作るCosmos3は、16フレームの生成段階だけで930msかかる。 寄せ方そのものが効いているらしい。方策に手の動きを直接予測させる出力を足すだけだと53.1%、条件の動作をシャッフルすると41.5%。方策の内部から0.54秒後の手の動きを線形に読み出す誤差も、QwenVLAの13.59mmから10.01mmに減った。 ただし実機は各タスク20回で、物体の位置を変えた評価が中心。WLAやFast-WAMとは構造も学習手順も違い、1要素だけを変えた比較ではないと著者も書いている。本番が軽い代わりに、学習側には大量の実演と深度推定、別の世界モデルが要る。 推論のたびに未来を想像する深い計算を、学習時の先生役に肩代わりさせる設計だ。計算資源が限られるロボットの現場には、こういう分担が合うのかもしれない。

チームで共有するAIツールと、AI検索向けのマーケティングサービスを手がける韓国のTrinaが、Partners Loungeから1億5,000万ウォン（約11万4,000米ドル）を調達しました（ 課題として挙げているのは、会社がAIのアカウントを配っても、社員ごとに使い方がばらばらで仕事が変わらないことです。CEOのDaehyun Nam氏は、会社のファイルや仕事の進め方を一度AIにつなげば、チーム全体が同じ水準で働けるようにしたいと話しています。 1つ目のTrina AXは、チームで共有するAIワークスペースです。会社のファイルや仕事の進め方を読み込ませておくと、メンバー全員が同じやり方でAIと作業できます。チームのチャットルームで「@Trina」と呼ぶと、結果がそのルームに直接投稿されます。Claude CodeやCodexといったAIエージェントをチーム全体で共有できるのが特徴です。コードはGitHubで公開されていて自分でインストールでき、ホスティングと運用をTrinaに任せるプランには14日間の無料トライアルがあります。Mac、Windows、iPhone、Androidのアプリとブラウザで使えます。 2つ目のTrina GEO Marketingは、専任のマーケターがいない中小企業向けです。GEO（生成AIの検索や回答に自社が表示されるようにする対策）のサービスで、顧客がGoogleやChatGPTで検索したときに自社が最初に出るよう、AIがキーワードを選び、毎日記事を書いて自社ブログに公開します。検索のクリック数やAI回答での露出の結果は、毎週月曜日にメッセンジャーのカカオトークで届きます。料金は1ブランドあたり月19万ウォンからです。 同じ方法で運用したTrina自身のブログでは、Google検索からのクリック数が2026年3月の75から9月には2,812に増えたそうです。創業チームは、企業のAX（AIによる業務変革）のコンサルティングと業務自動化を請け負うエージェンシーTreeSoopも運営しています。Trina AXは、TreeSoopが顧客企業にAIを導入するなかで磨いた方法を製品にしたものです。 AIを使いこなせる人がいても、その知見が個人の画面にとどまれば組織の仕事は変わりません。これからのAI導入の差は、モデルの性能より、会社の文脈をどれだけチームで共有できるかでつくのかもしれません。

保険会社や保険代理店の事務作業を担うAIエージェントを作る米国のStitchStudioが、Voyager Capital主導のラウンドで800万米ドルを調達しました（ VenturesとGrit Capital Partnersのほか、以前から出資するManchesterStoryとBrokerTech Fundも参加しました。同社は2025年に300万米ドルのシードラウンドを調達しています。資金は従業員福利厚生、生命保険と年金保険、企業向け財物保険の新製品に充て、カスタマーサポートの増員とセルフサービス機能の開発も進めるとのこと。 保険会社では古いシステムと新しいシステムが並んで動いていることが多く、担当者は同じデータをいくつもの画面に打ち込むことになります。StitchStudioはシステムを入れ替えるのではなく、エージェントを既存のシステムにつなぐ方針です。 エージェントは、見積もりの比較、販売代理人のオンボーディング（登録などの受け入れ手続き）、請求の確認といった業務の一工程ずつを受け持ちます。公式サイトによると、保険業界の役割やルール、規制に合わせたナレッジグラフ（概念どうしの関係をつないだデータベース）と、出来合いのオーケストレーション（複数の処理の段取り）を備え、導入期間は8〜12週間。エージェントの操作はひとつずつ記録され、後から追跡や監査ができます。SOC 2 Type II（外部監査人によるセキュリティ管理の評価）の認証も取得しています。 顧客にはM3 Insurance、Heffernan Insurance Brokers、Fidelity Lifeが名を連ねます。ある顧客では、提案書を返すまでの時間が90分から15分に縮んだそうです。Heffernanでは保険会社の選定や顧客への助言は引き続き担当者が行い、データの収集と比較をソフトウェアが受け持っています。CEOのKaran Mishra氏は、顧客が最初のワークフローを稼働させたあと、全社に広げたいと戻ってきたと話しています。 保険AIへの投資も続いています。今週はロンドンのAncepが代理店向けエージェントで850万米ドルを調達し、Corridorも福利厚生分野で2,500万米ドルを集めて立ち上がりました。大手のGuardianは、年間100万件の歯科関連の電話をAIエージェントに任せています。 人の判断は残し、画面の間でデータを運ぶ作業をエージェントに渡す設計なので、古いシステムを抱えた業界ほど、置き換えるAIより既存の仕組みにつなぐAIから広がっていくのかもしれません。

AIエージェントを仮想環境で試験し、本番前に失敗を見つけるイスラエルのPluraiが、Team8主導のシードラウンドで1,300万米ドルを調達しました（ Mokady氏ら20人を超えるエンジェル投資家も参加しました。資金は研究開発チームの拡充、大企業向け市場の開拓、米国での事業拡大に充て、約12人の従業員を2026年末までに倍にする計画です。プラットフォームも無料枠つきで開発者に一般公開しました。 エージェントを作ること自体は、デモなら数時間でできるようになりました。難しいのはその先です。エージェントは同じ依頼にも違う応答を返すことがあり、プロンプトやモデルを少し変えるだけで振る舞いが変わります。手作業や決め打ちのシナリオでは試しきれず、利用者の前で初めて問題が出ることもあります。同社が引用するVentureBeatの調査では、社内評価を通ったエージェントやLLM機能が本番で顧客向けの不具合を起こした企業が半数にのぼりました。 発想の元は自動運転のシミュレーションです。企業のナレッジベース、ツール、ポリシーをもとに、エージェントとその動作環境のデジタルツイン（ソフトウェア上に再現した複製）を作り、サンドボックス（本番から隔離された試験環境）で数千の模擬ユーザーをぶつけます。意地の悪い問い合わせも混ぜて、ハルシネーション（もっともらしい誤答）、ポリシー違反、ツール呼び出しの失敗、機密情報の漏えいなどを洗い出し、修正案を作って同じ環境で再試験します。 本番では、シミュレーションで得たデータからエージェントごとに小規模言語モデル（SLM）を作り、常時の監視役にします。全会話を大型モデルで検査すると高くつくため、多くの企業は一部の抜き取り確認にとどまっています。用途を絞った小さなモデルなら全件を見られるという考え方で、1枚のGPUで数百の専用モデルを同時に動かせることも研究で示したとしています。 同社によると、デザインパートナー（製品を一緒に磨く初期顧客）では開発期間が数か月から数時間に縮み、利用者に届く失敗が82%減り、運用コストは最大97%下がりました。NVIDIAとNebiusとの取り組みでは、ある大手企業向けに追加学習したNemotronモデルが、特定の本番タスクでOpenAIのGPT-6 Lunaと同等の結果を約40分の1のコストで出し、AnthropicのClaude Haiku 5.5を約44分の1のコストで上回ったそうです（ynetの報道。Calcalistは両方を精度で上回ったと伝えています）。特定業務での比較で、汎用的な性能比較ではありません。 巨大なモデル1つに全部を見張らせるのではなく、小さな専用モデルをたくさん並べて監視する設計なので、エージェントを安心して動かすための費用は、モデルの大きさより試験データの質で決まっていくのかもしれません。