【官方投稿】magnet -recall- 初音未来、巡音流歌 大変夜分ではあるのですが、無断転載がいくつかあると聞いたのでbilibiliにも公式で動画をアップいたしました！

#今日のボカロ# 気づいてなかった自分呪います なんだこれ最高かよ magnet -recall- / 初音ミク、巡音ルカ #sm46253942# #ニコニコ動画# #ボカロ部# #今日のボカロ#

推薦システムの検索モデルを一切いじらずに、後付けの軽量な「検証器」を1つ足すだけでRecallが大きく伸びる。Metaのチームがそんな手法を発表しました。 タイトル: Recommendation Retrievers Need Verifiers: Universal Generative Reranking for Sequential Recommendations URL: 既存の検索モデル（ドラフター）を凍結したまま、候補アイテムの識別子トークンを生成的に評価する軽量ベリファイアを追加する「ドラフター・ベリファイア」構成を提案しています。 🌐 注目ポイント1: カタログが大きいほど効く 音楽推薦データセットYaMBDaでは、カタログ規模が大きくなるほど改善幅が拡大しました。最大規模（46億相互作用）ではRecall@10が最大29.8%も向上しています。 🧩 注目ポイント2: どんなドラフターにも刺さる汎用性 自己注意ベースのSASRec、リカレント型のGRU4Rec、畳み込み型のNextItNet、さらにLLMベースのMiniOneRecまで、性質の異なる4種類すべてで同じ訓練レシピが機能しました。 🔬 注目ポイント3: 効いているのは「生成的な検証」そのもの ドラフターに直接コンテンツ情報を注入すると単体性能はむしろ下がりますが、そこにベリファイアを足すと回復します。改善は単純な特徴注入ではなく、出力側の生成的な検証プロセスそのものから生まれていることが実証されました。 検索インデックスを変えずに後付けできる点が、大規模実運用への導入しやすさとして大きいと感じました。 #推薦システム# #機械学習#

最近LLSSの北海道編を見ると､そこでコスプレ旅行したの日が思い付いた(/ω＼*) The recent LoveLive Sunshine animation recalled my memory of I had joined the Cosplay event in Hokkaido Japan #lovelive_sunshine# #Aqours# #小原鞠莉# #ラブライブサンシャイン# 　#cosplay# #cosplayer# #コスプレ#

TL;DR: 乱立するベクトル量子化手法を、共通の小さな部品（プリミティブ）の組み合わせとして統一的に扱い、同一条件で比較できるベンチマーク「VQ-bench」をPineconeが公開しました。 タイトル: VQ-bench: a Composable Vector Quantization Framework URL: ポイント 🧩 Center・Normalize・PCA・RandomRotateなど、量子化を構成する共通プリミティブを定義し自由に組み合わせ可能に 🔗 E-RaBitQなどの既存手法も「Center→Normalize→Random Rotation→Angular Cast」の4プリミティブの並びだけで再現 📊 VIBEの5データセット・14種類の量子化器をReconstruction MSE・Recall@10・エンコード時間で横並び比較 🥇 PQとOPQが一貫して最小のReconstruction MSEを記録 ⚡ EDENはPQ/OPQ/E-RaBitQより大幅に高速なエンコードを実現しつつRecallも高水準を維持 🛠️ 新規量子化器の追加は数行のコードで済み、新規プリミティブは既存の全部品と自動的に合成可能 バラバラだった量子化手法の評価が同じ土俵に乗ったことで、用途に応じた選定がしやすくなりそうです。 #ベクトル検索# #ベクトルDB#

🧭 TL;DR: LLMの「自信」を今この瞬間の推論だけで決めるのをやめ、過去の似た経験からどれくらい当たってきたかで較正する手法が登場しました。10サンプルの自己整合性より安く、しかも精度は同等以上です。 タイトル: Confidence Comes from Experience: Experiential Confidence Estimation from Reasoning to Agents URL: ポイント 🗂 過去のタスク・推論・当初の確信度・実際の正誤・教訓を経験バンクに蓄積 🔍 類似エピソードをk=50件検索し実際の的中率を統計的に把握(Recall) 💭 その実績を踏まえてモデル自身に確信度を言葉で再表明させる(Reflect) 🏆 24モデル×データセットの組み合わせ中23でSC@10と同等以上のAUROC 🤖 失敗が静かに起きがちなエージェントタスクで最大の差、AppWorldでは専用検証器すら上回る 📉 キャリブレーション誤差はドメイン全体で2〜20倍改善、計算コストは約10分の1 「今の推論だけ見る」から「積み重ねた実績を見る」への発想転換が効いている好例だと思います。 #LLM評価# #AIエージェント#

エンタープライズRAGの「文書チャンキング」問題を、コスト95.7%削減しながら解いた手法が発表されました。 タイトル: D-RAC: Document Retrieval-Aware Chunking URL: 📌 概要 PDF・DOCX・PPTX・スキャン画像などバラバラな企業文書を、いったんPDFに正規化してからマルチモーダルLLMで検索最適化Markdownに1回だけ変換し、そのあとはID単位で決定的にチャンク計画を立てる4段階パイプラインです。 ❗ 解決する課題 従来のルールベース抽出は表や見出し階層を壊してしまい、精度重視のエージェント的チャンキングは文書全体を再生成するためコストが高くつくというジレンマがありました。 🛠️ 方法論・提案手法 表を列見出し付きの1文にする「行レベル散文化」、見出し階層の再構成、ID配列だけを渡すチャンク計画など、検索精度とコスト効率を両立する設計を随所に採用しています。 📊 実験結果 236文書・795ページの評価で、出力トークンを95.7%削減しつつRecall@6は0.798とエージェント的手法（0.795）やルールベース（0.717）を上回りました。処理時間も75%短縮しています。 🏢 ユースケース 自動車・銀行・クラウドなど複数業界の文書で安定した性能を確認しており、本番のエンタープライズRAGパイプラインへそのまま組み込みやすい設計です。 #RAG# #ドキュメント処理#

感染症の流行を数分で予測できたら、人道支援の現場はどれほど変わるか。 タイトル: Planetary prediction engine: Automating global models via Earth AI URL: Googleが発表したPlanetary Prediction Engine（PPE）は、自然言語クエリから地球規模の予測モデルを自動構築するシステムです。公衆衛生・食料安全保障・感染症などの課題に対し、従来は専門エンジニアが数週間かけていたデータキュレーション〜モデル構築を数分で完結させます。 注目ポイント 🌍 3段階の自動パイプライン——データ選択からモデルまで 自然言語クエリを地理的制約に変換してData Commons・Google Earth Engineから共変量を取得（ステージ1）、Population Dynamics Foundation ModelsとAlphaEarthの埋め込みと融合（ステージ2）、正則化線形・勾配ブースティング・MLPを横断的に探索（ステージ3）。各ステージに「Feature Gate（リーケージ防止）」と「Overfitting Guard Protocol（過学習防止）」が組み込まれています。 🔬 マルチモーダル融合が全実験で単独モデルを上回る 構造化された統計的共変量と基盤モデルの潜在表現を組み合わせることで、どちらか単独では捉えきれない情報を統合します。この融合効果はすべての実験で確認されており、地理空間予測における新たなアーキテクチャの優位性を示しています。 📊 3つのドメインで実証された精度向上 ・米国CDC健康指標21種: R² 76.8% vs ベースライン60.0% ・ナイジェリア食料安全保障: R² 66.1% vs ベースライン31.5%（精度2倍超） ・コンゴ民主共和国エボラ予測: Recall@10 83.3%（Bayesianベースライン比+10.3pp） 専門的なエンジニアリングチームを持たない人道支援組織や研究者が、緊急時に数分で意思決定の根拠を得られる——この「民主化」こそがPPEの最大のインパクトです。 #地球科学AI# #公衆衛生#

# Hermes Agentの機能と実践的な使い方 🚀 事実を覚えるだけでなく、「この人はどういう人か」を対話から推論し続けるメモリです。使うほど提案が的中する「自分を理解しているエージェント」を実現します。 📌 タイトルと機能のURL タイトル: Honcho Memory URL: 📝 概要 HonchoはAIネイティブなメモリバックエンドで、単純なキー・バリュー保存を超えます。会話のたびに「対話推論（dialectic reasoning）」を行い、ユーザーの好み・コミュニケーションスタイル・目標・行動パターンを自動的に導出して、時間とともに深まるユーザーモデルを構築します。 🔧 機能の説明 ・対話推論は多段解析です。Pass 0で初期評価、Pass 1で自己監査による抜け漏れの特定、Pass 2で矛盾を最終統合へ調整します（深さ1〜3）。 ・新規ユーザーには好みや目標を探るコールドスタート問い合わせ、既存ユーザーには現在の文脈を優先するウォームセッション問い合わせを使い分けます。 ・組み込み記憶が静的な事実の手動管理であるのに対し、Honchoはサーバー側プロファイルで自動推論を行い、結論に対するセマンティック検索やマルチエージェントのピア分離を可能にします。 ・honcho_profile（ピアの識別カード読み書き）、honcho_search（記憶・結論のセマンティック検索）、honcho_context（要約を含むセッション文脈の取得）、honcho_reasoning（指定深さでの統合推論）、honcho_conclude（結論の作成・削除、PII管理に有用）の5ツールが統合されます。 🛠 実践的な使い方 ・`hermes memory setup honcho` でガイド付き設定を行います。設定は `~/.honcho/config.json`（グローバル）または `$HERMES_HOME/honcho.json`（プロファイル単位）に作成されます。 ・主要な設定キーは、`contextCadence`（基本文脈の更新間隔）、`dialecticCadence`（LLM推論の間隔）、`dialecticDepth`（多段の深さ）、`recallMode`（hybrid / context / tools）、`writeFrequency`（async / turn / session）、`apiKey` / `peerName` / `aiPeer` / `workspace` です。 ・既定の hybrid モードでは、基本文脈と対話推論の補足が自動的にシステムプロンプトへ注入され、ツールも併用できます。 ・Honchoを有効化すると `hermes honcho status` などのサブコマンドが利用可能になります。 🎯 ユースケース ・長期アシスタントとして、数ヶ月にわたるユーザーの作業上の好みを追跡する。 ・コーディング用と個人秘書用のアシスタントが同じユーザーに対し独立したモデルを保ち、文脈の混線を防ぐ。 ・繰り返しの話題の再説明を減らし、セッションスコープの注入で提案精度を上げる。 ⚠️ 注意点 ・推論の深さに比例してコストが増えます（深さ2〜3はLLM呼び出しが増えるため、cadence設定で調整します）。 ・新規ピアはバックグラウンドのプリウォームが必要で、間に合わない場合は上限付きの同期フォールバックが働きます。 ・recallModeのtoolsモードはエージェントに制御を委ねますが明示的な推論呼び出しが必要で、contextモードはツールを隠すため柔軟性が下がります。サーバー側に状態を持つため、ファイル記憶からの移行にはデータエクスポートが必要です。 #HermesAgent# #Memory#