【 #C108# お品書き】 8/16(日) 南2ホール｜i-9b 今回は、ホルハイヤの持つ神秘的で少し危うい雰囲気を、自分なりに一冊の中へ詰め込んだ写真集『星夜巡礼』を作りました。全72ページ、写真だけでなく装丁や印刷加工にもこだわった、思い入れのある新刊です。 ほかにも、このために撮り下ろしたチェキや、作中の世界観をイメージした通行認証も用意しました。細かな部分までこだわって制作したので、ぜひ会場で実物を見てもらえたら嬉しいです✨ 2日目の13:00～15:00頃は、私もブースにいます。皆さんにお会いできるのを楽しみにしています💕

【お知らせ】 5/23(土)，24(日) イラストフェス11（韓国） @StarSavior_KR ミスティックミューズ×スターセイヴァー 「エピンデル」のコスプレイヤーとして出演いたします🌹 イベント会場 KINTEX 第2展示場 Hall 9B, 10ブース 会場でお会いしましょう！ #StarSavior#

💡 Western Digital Corporation $WDC Q1 2027決算 2026-10-22 💰 今四半期業績 - 🟢 EPS：$4.64 (予想$4.11) - 🟢 売上高：$4.38B (予想$4.14B) 📊 重要指標 - 🟢 Non-GAAP粗利率：58.1% (YoY+1420bps) (QoQ+370bps) - 🟢 Non-GAAP営業利益・営業利益率：$2.15B (Est. $1.9B) (YoY+152%) / 49.1% (YoY+1870bps) - 🔴 フリーキャッシュフロー：$1.38B (Est. $1.54B) (YoY+130%) - 🟢 営業キャッシュフロー：$1.60B (YoY+139%) - 🟢 Q2 FY27 Non-GAAP粗利率ガイダンス：60-61% (中央値60.5%) (QoQ+240bps) - 🔴 棚卸資産：$1.78B (QoQ+17.87%) - ⚫️ 設備投資：$227M (YoY+211%) 📊 次四半期ガイダンス - 🟢 EPS：$5.80 (予想$4.84) - 🟢 売上高：$5.1B (予想$4.57B) 📍決算内容の注目ポイント - Q2 FY27ガイダンスは売上高$5.1B±$100M（YoY+66%〜72%）、Non-GAAP EPS $5.80±$0.20と、いずれもコンセンサスを大幅に上回る水準を提示 - 四半期配当を17%増額し1株当たり$0.175へ引き上げ（2026年12月4日時点の株主に12月17日支払い予定） - 自社株買い$1.00Bを実施したほか、転換社債関連取引の決済$570Mを実行し、資本効率の改善を継続 - エクサバイト出荷の力強い成長と価格改善により、Non-GAAP粗利率58.1%、営業利益率49.1%へ拡大し、Non-GAAP EPSはYoY+161%と急伸 - AI主導のデータ経済を支えるストレージ基盤として主要ハイパースケーラーとの関係を深化し、技術移行に向けて設備投資を$227Mへ増額 🤵‍♂️CEO (Irving Tan) コメント 「2027年度は好調なスタートを切り、堅調な顧客需要と規律ある執行により期待を上回る結果となりました。第1四半期の売上高は前年同期比55%増加し、Non-GAAP粗利率と営業利益率はそれぞれ58.1%、49.1%に拡大、Non-GAAP EPSは前年同期比161%増となりました。事業への自信と株主還元へのコミットメントを反映し、四半期配当を17%増額し1株当たり$0.175とします。拡大するストレージ需要に応えるべく技術移行を着実に進めています。顧客との関係を深め、新たな市場領域へ顧客基盤を広げ、将来需要の可視性を高めることで、長期的な価値創造に向けた一層強固な基盤を構築しています。」 🤵‍♂️CFO (Kris Sennesael) コメント 「第1四半期の業績は、力強いエクサバイト成長と価格改善が牽引し、事業の継続的なモメンタムを示すものとなりました。2027年度第2四半期については、レンジの中央値で売上高$5.1B、Non-GAAP粗利率60.5%、Non-GAAP EPS $5.80を見込んでいます。」 🔍 主要ファンダメンタルズ指標 - 時価総額: 132.58B - PER: 13.04 - Forward PER: 16.98 - PEG: 0.03 🎯市場評価 - 株価 (発表前): 📉$354.18 (-6.43%) - 株価 (発表後): 📈$358.7 (1.28%) - 決算前アナリスト目標株価: $616.92 ($1050 ~ $400) B+ - 決算総合サプライズ率 (AI推定): 😊11.59% - 決算後目標株価 (AI推定): $376.97 🤖 決算まとめるくん(AI)コメント 「今回の決算は、AI需要を背景としたHDD（ハードディスクドライブ）市況の強さが収益性の飛躍的改善として結実した、極めて質の高い内容と評価できます。 まず業績面では、売上高$4.38B（YoY+55%）、Non-GAAP EPS $4.64がいずれもコンセンサスを上回りました。注目すべきは利益率で、Non-GAAP粗利率は58.1%、営業利益率は49.1%と、直近4四半期で一貫して切り上がっています。CFOのKris Sennesael氏が言及した通り、エクサバイト（記憶容量ベースの出荷量）の増加と価格改善が同時に進んでおり、需給が売り手優位にあることを示唆しています。 次にガイダンスでは、Q2 FY27売上高$5.1B、Non-GAAP EPS $5.80と、市場予想を大きく上回る見通しが示され、粗利率も60%台への到達が見込まれています。成長加速が次期も継続する蓋然性は高いと考えられます。 財務面ではAltman Zスコア21、Piotroskiスコア8と健全性は極めて高く、自社株買い$1.00Bと17%増配により株主還元も強化されました。一方、フリーキャッシュフローは市場予想に届かず、運転資本（売掛金・棚卸資産）の増加と設備投資の拡大が影響しています。棚卸資産の積み上がりは需要増への備えと解釈できるものの、今後の推移は確認が必要です。また、GAAP純利益の前四半期比減少はSandisk持分評価益の剥落によるもので、本業の悪化ではありません。 リスクとしては、Cloud市場および上位顧客への売上集中、ストレージ市況のシクリカリティが挙げられます。 決算発表後の株価反応が内容に比して限定的である点は、当日のメモリ・ストレージ関連株全体の売りに加え、市況ピークアウトへの警戒感が業績の上振れを相殺したためと推察されます。 評価は📈ポヨ」 🏢 Western Digital Corporation 概要 - セクター: 情報技術 - 特徴: 大容量HDDを中核とするデータストレージ専業企業 🤘情報提供 Stock Slayer :

TL;DR: 言語モデルに自分のコンテキストを「編集可能なファイル」として自由に管理させる新しいパラダイム「Context Language Models」が、多くのベンチマークで精度向上とFLOPs削減を同時に達成しました。 タイトル: Context Language Models URL: ポイント 📝 コンテキストをファイルとしてミラーリングし、モデル自身がBashコマンドで自由に編集・追記できる設計。要約や検索の閾値を人間が決める従来のハーネスから脱却 🧠 明示的な指示なしに「インコンテキスト・スコアボード」や再利用可能な関数定義など創発的な戦略を獲得 🔍 BrowseComp-Plusで精度59.4%・FLOPs21.5%削減、EdgeBench-10では要約ベース比スコアを上回りつつFLOPsを半分以下に 🎯 強化学習ではQwen3.5-9Bの精度を28.8%→42.5%に向上させつつFLOPsも削減（成功した軌跡の中でのみ効率に報酬を与える設計でハッキングを防止） ⚡ 新技術Suffix Cache Reuseが、コンテキスト編集後も残存部分のKVキャッシュを再利用し、サーバー側計算量を標準比35%削減 🧩 ContextBenchの診断タスクでは、要約ベースが失敗する高コンテキスト圧力下でもCLMは完全な精度を維持 コンテキスト管理そのものをモデルの能力として扱うという発想転換に、大きな可能性を感じます。 #コンテキスト管理# #LLM効率化#

MoEとループ型Transformer、2つの軸を1つのスケーリング則で語れるか？Metaの論文です。 タイトル: Scaling Laws for Looped Mixture of Experts URL: 🔁 概要 重みを繰り返し使うループ（再帰）と、エキスパートを疎に使うMoEを同時に扱う「Loop Scaling Laws」を提案しています。 ❓ 解決する課題 従来の法則は2軸を別々に扱い、ループの利得を上限なく増えるものとして表していました。実際は再帰の利得は逓減し、エキスパートが多いほど長く効き続けます。 📐 提案手法 実効パラメータ数を Neff(R) = N + κ₁·Nloop·(1 − e^(−(R−1)/κ₂)) と有界にし、係数をアクティブ比 m に応じて m^(−θ) 倍に。計算量やメモリの予算から、最適な再帰回数とエキスパート数も導けます。 📊 実験結果 ・R=16など未知の条件で誤差が最小（密モデルでRMSE 0.0092） ・約5×10²⁰ FLOPsで、E≥8の0.3B MoEが1.0B密モデルを上回る ・約1.5×10²² FLOPsで、0.3B active/1.3B totalのLoopMoEはR=4〜5でBBH 31.5〜31.8、GSM8K 41.5〜41.2。0.6B active/2.9B total MoEの29.8と42.9にほぼ並ぶ ・ただし総合スコアは下回り、推論計算量も増えます #ScalingLaws# #MoE#

エージェントのツールや実行手順を改良しても、モデルが新しい使い方を学んでいなければ失敗するという問題に対し、CoEvo-RSIはモデルと実行手順を組で改善する研究（ ここでいうHarnessは、プロンプト、ツール、状態管理、制御の流れを含む実行環境。手順だけ高度にしても、モデルが存在しないツールを呼ぶ、引数や出力形式を間違える、といった不整合が起きる。 CoEvo-RSIは、過去のHarness、モデルのチェックポイント、実行結果を一緒に保存する。現在の失敗を見て過去の設計を選び直し、モデルも履歴から選択・統合。その組み合わせで成功した実行記録を選び、教師あり追加学習へ使う。 対象はQwen3.5-9B。複数エージェントの失敗原因の特定、権限を守るSQL生成、スマートホームの操作で評価した。TraceElephantでは、失敗の責任を持つエージェントを当てる正解率が70.78%で、比較したDeepSeek-V4-Pro-0813の56.62%を上回った。 ただし、どの課題でも大きなモデルに勝ったわけではない。また、ツールや形式の違反が少ないことと、課題そのものに正解できることも別。論文でも、形式の不整合がほぼなくても成功率が伸びない条件があった。 同じ専門領域の未使用データでの強さを、無関係な仕事への汎化と混同しない点も大事だと思う。モデルと実行環境を別々に最新版へ替えるより、どの組み合わせが何に成功したかを残す価値が見えてくる。

見えている画像だけで答えず、「答えるために次はどこを見るか」も学ぶAct3Dという研究（ 「廊下の突き当たりには何がある？」と聞かれたら、最初の1枚から推測して終わらず、視点を回し、横へ動き、必要なら戻って確かめる。3Dの部屋全体をモデルへ渡すのではなく、外部の環境にカメラ操作を送り、その都度レンダリングされた画像を受け取る。 まず、お手本の操作記録で「考える・動く・見る」の基本を学習。その後は、最終回答の正しさを中心とする報酬で、探索の仕方を改善する。強化学習中に、正解の経路や訪れるべき視点を逐一教える方式ではない。 ただし、正誤だけの学習でもない。正解した試行には探索への報酬があり、注釈された対象を実際に視野へ入れると、その報酬を満額与える。対象を見た後は、余計に動いても追加の得にならない設計だ。 6つの3D質問応答ベンチマークで、混合データを使ったAct3Dの平均正解率は53.2%。同じ土台のQwen3.5-9Bは31.2%、お手本学習後は48.6%だった。強化学習による上積みは4.6ポイントで、6課題中5課題が改善した。 評価は再構成した3D室内でのカメラ操作で、1問あたり最大12回の探索。実機ロボットの移動をそのまま実証した結果ではない。また、探索回数を増やす報酬が、すべての課題で精度を上げるわけでもない。 AIに詳しく考えさせる前に、不足している証拠を自分で取りに行けるようにする。画像の理解力と、何を見れば判断できるかを学ぶ力は、一緒に育てる価値があると思う。

🧭 「曖昧な目標だけを渡されたAIは、本当に自分で学び進化できるのか？」という問いに、ByteDance Seedらのチームが正面から挑んだベンチマークが登場しました。 タイトル: Aspire: Can Models Self-Evolve from Vague Goals? URL: このベンチマークでは、明確なタスク定義や報酬を与えず、モデル自身に目標の解釈から訓練・検証までを一気通貫で行わせ、隠された評価セットで実際の能力向上を測定します。 🎯 注目ポイント1: 曖昧さのコスト タスクを曖昧な表現に変えるだけで、Claude Opus 4.8は32.90%から27.07%、GPT-5.6は36.23%から29.58%へとスコアが低下しました。エージェントは何を最適化すべきかの見極めに時間を取られ、肝心の訓練時間が削られてしまいます。 🔁 注目ポイント2: 実行できても改善は続かない Qwen3.5-4B/9Bによる自己進化実験では、最終チェックポイントの多くが基盤モデルを下回り、24件中21件が安全機構によって初期状態にロールバックされました。狭い自己評価だけを頼りに訓練すると、局所的には良くなっても隠蔽評価では性能が退化してしまうのです。 🛠️ 注目ポイント3: ハーネス進化も基準を超えられない エージェント自身にエージェントの実行基盤（ハーネス）を作り直させる実験でも、最良の後継ハーネスでさえ参照実装のスコア28.64に対し27.22と一歩及ばず、検証の多様性不足や出力の完全性チェック漏れが原因として指摘されています。 💡 「何を改善するか」を自分で決める力こそが、持続的な自己改善に向けた次の大きな壁であることを、この研究は明確に示しています。 #LLMエージェント# #自己進化#

アノテーションをRLの訓練シグナルとして使ったとき、なぜか優秀な行動に負の勾配がかかる —— OraRLはその仕組みを解明し、解決しました。 Annotations as Rollouts: Efficient and Scalable Reinforcement Learning for Video MLLMs ❓ アノテーションをrolloutとして使うと何が起きる？ 💡 「Advantage Inversion（有利性の反転）」が起きます。GRPOの標準正規化では、グループ内rolloutの有利性を平均と分散で計算します。ここに高報酬のoracle rolloutを追加するとグループ平均が上昇し、ポリシー平均を超えているはずの良い行動が負の有利性を受ける逆転現象が発生します。92,024件の計測で、Naive oracle mixingでは42.5%のグループで反転が起きていました。 ❓ OraRLはどう解決する？ 💡 5つのコンポーネントで有利性推定を分離します。まずoracle-freeなon-policyベースラインを構築し（分散正規化なしで定義上inversion不可）、oracle-policy gapから方向性ゲインを計算してポリシー平均超えrolloutを増幅します。oracle自体の有利性は最強のon-policyシグナルでスケール調整し、ポリシー全体を支配しないよう設計。符号均衡Pruning（正・負を等分保持）により反転率を最終0.3%まで圧縮し、1.48倍の速度向上も実現しています。 ❓ どれくらい強い？ 💡 Video-ORA-9BはVSI-Benchで73.1を達成し、GPT-5（55.0）とGemini-3-Pro（55.1）を18ポイント以上上回りました。ReasonVOSセグメンテーションはバックボーン比+42.2、VideoHolmesは+15.2と大幅改善。訓練コストはSFTの2.2倍で済み、GRPO+CoT（4.9倍）の半分以下です。 ❓ 推論の効率は？ 💡 CoTが不要なためP90推論レイテンシは25.15秒で、CoT付きバックボーンの62.67秒と比べて大幅に短縮。データ効率でもOraRLは100kプロンプトで+5.2pt、GRPOの+2.8ptを上回ります。 #VideoMLLM# #ReinforcementLearning#

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#