EUがチャットGPTを規制　子ども保護厳格化の対象に　違反で制裁金科す可能性 EU欧州委員会は8月31日、「チャットGPT」を「デジタルサービス法（DSA）」の規制対象に指定した。子どもの保護や、違法コンテンツの拡散防止などの取り組みを従来より厳格に求める。

DSA（アメリカ民主社会主義者）のメンバー、フランチェスカ・ホンが、ウィスコンシン州知事選の民主党予備選で有力候補になっている。 社会主義勢力の広がりが州レベルに及び始めている。 世界は動いてるよ。 DSAと公式の友党である #日本共産党# をよろしくね。

【DSA（アメリカ民主社会主義者）】 ＞…ひときわ注目されているのは、大統領選挙での接戦州の1つであるウィスコンシン州の州知事選挙だ。民主党予備選挙で、DSAが推すフランチェスカ・ホン候補が民主党知事候補になる勢いを示している。仮にホン氏が知事になれば、アメリカ史上初の社会主義者知事になるとされる。 会田弘継さんのご解説です。予備選挙は現地時間11日 日本はどうでしょうか。経済格差が広がれば、「民主社会主義」が支持を集めそうな気もします

矢作弘「ニューヨークは社会主義都市へ」（『地平』2026年9月号、地平社）を再読。ニューヨーク市長選挙に勝利したゾーラン・マムダニのニューヨーク市政の現状、またアメリカ各地の選挙におけるDSA・左派の躍進を考察。ぜひお読みください。

映像の右側の女性が、米国民主党を支配するグループ、アメリカ民主社会主義者（DSA)の共同議長メガン・ローマー。この映像で話す彼女の政策は下記の通り。 ・上院を廃止する ・現在のような形の大統領職と最高裁判所を刷新する ・ICEを廃止する ・国境を撤廃する ・米国に不法滞在す全ての人に恩赦 ・国防総省の予算削減 ・刑務所を少なくとも大部分は廃止する。 ・大部分の大企業を政府または公的機関が所有する 民主党が政権とったら日本にとって地獄だ。

MindLabとFudan大学が「LongStraw」という手法を発表した（https://arxiv[.]org/pdf/2607.14952）。GPUの台数を増やさずに、210万トークンを超える長い文脈で強化学習の事後学習(RL post-training、学習済みモデルをさらに強化学習で仕上げる工程)を回せるようにする実行方式。 背景にはギャップがある。推論(学習済みモデルを動かして応答を作る段階)のcontext長は100万トークン級に近づいているのに、事後学習は256Kトークン以下にとどまりがち。AIエージェントは観察結果やツールの出力、それまでの判断を溜め込みながら動くため、この差が特に効いてくる。 原因はGRPO(複数の応答をグループ内で相対比較して学習する強化学習の手法)特有の事情。同じ長いプロンプトに対して複数の応答をスコアリングし逆伝播する必要があるため、プロンプト分と応答分の計算グラフを同時にGPUメモリへ抱え込んでしまう。LongStrawは共有プロンプトを最初に1回だけ勾配計算なしで評価し、あとで必要になる状態だけを残す。そのうえで短い応答を1本ずつ勾配ありで組み立てては逆伝播後すぐ解放し、次の応答に進む。プロンプトと全応答を同時に抱えなくてよくなる代わりに、再生の分だけ処理時間は増える。 これを構造の異なる2つのモデルに実装している。再帰的に状態を更新する層(GDN)と通常のattention層を組み合わせたQwen3.6-27Bでは、8台のH20 GPUだけで約210万トークンの文脈をグループサイズ2および8で処理でき、グループサイズを2から8へ4倍にしてもピークメモリはわずか0.21GB(0.213%)しか増えない。別のストレステストでは約446万トークン(4,456,448)まで到達した。KV情報を圧縮して保持するMLAと、限られた候補だけに注意を絞る疎attention(DSA)を組み合わせ、専門家混合(MoE)も使うGLM-5.2でも、32台のH20 GPUで約210万トークンの文脈を全78層にわたって処理できることを確認している。 面白いのは「動いた」ことと「正しく学習できる」ことをはっきり切り分けて報告している点。プロンプト側の勾配はあえて切り離している。Qwenは複数GPU間で、注意機構の鍵と値にあたるK/Vに由来する勾配の同期が、追加学習パラメータ(LoRA)については完了していない。GLMも疎attentionの候補選択が各GPU内で閉じたままになっている。論文自身が、これは実行できたことの証拠であって正しい分散学習の証明ではないとはっきり書いていて、GPUを増やすスケールアウトの路線とは逆に、決まった台数でどこまで粘れるかを検証しつつ限界も隠さず書いている姿勢に好感が持てる。

1時間級の長尺動画を丸ごと理解し、ツールも検索も使いこなす——総30Bパラメータでも推論時はわずか3Bで動く、効率的なマルチモーダルモデルです🎬 タイトル: Kwai Keye-VL-2.0 Technical Report URL: 🎬 概要 Kuaishou（快手）が開発した、長尺動画理解とエージェント的知能に特化したオープンソースのマルチモーダル基盤モデルです。Mixture-of-Experts（MoE）構成を採用し、総30Bパラメータのうち推論時に活性化するのは3Bのみという効率性を実現しています。 ❓ 解決する課題 時間単位（hour-level）の長い動画を扱うには、膨大な計算が必要になります。 ・フレーム数が多く、長距離の時間依存を捉えるのが難しい ・計算制約に対処しつつ、多様なタスクで高い性能を保つことが課題でした 💡 方法論と提案手法 ・長文脈処理：DeepSeek Sparse Attention（DSA）をGQAベースのアーキテクチャに適応させ、256Kコンテキストのロスレス処理を実現。重要なフレームと長距離の時間依存を捉えます ・インフラ：スケーラブルな動画I/O、異種のViT-LM並列化、カスタムのDSAカーネル ・訓練：マルチタスクのアライメント時に生じる破滅的忘却に対処するため、Cross-Modal Multi-Teacher On-Policy Distillation（MOPD）を、Context-RL・Video-RLと組み合わせます 📊 実験結果 ・同規模のモデルの中で最先端（SOTA）の性能を達成しました ・特に、TimeLensでの細粒度な時間的ローカライズで際立ちます ・Video-MME-v2とLongVideoBenchでの長尺動画理解でも優れています ・Code・Tool・Searchをまたぐマルチモーダルなエージェント協調や、自己修正能力も備えます 🌍 ユースケース 長い動画の理解・検索・モデレーション、動画を扱う自律エージェントの基盤などに向きます。スパースアテンションをこの規模のマルチモーダルに初めて適用した点で、時間単位の動画処理を計算コストを抑えて現実的に回せるのが大きな強みです。 #動画理解# #マルチモーダル#