永遠の甘さと、静かな気品。 長年の夢でもあった 理想のフレグランスを発売します✨ 【Charme Discret】 気品あるネロリと深遠な木々が織りなす洗練された静かな魅力🍃ユニセックスで男女問わず愛用いただけます。 【Eternel Charme】 ラクトンに近づけた魅惑的な甘さ。 忘れられない、記憶に残る香り。 9/20 12:00〜19:00 ラゾーナ川崎プラザにて発売記念イベント開催💐 予約不要！2つ購入で一緒に韓国式プリクラも📸💕 #平松可奈子プロデュース# #CharmeDiscret# #EternelCharme#

🔎5億ドルで1段、240段で1200億ドル | Marvellが差し出した梯子に、Googleが登る義務は書かれていない $MRVL $AVGO 58,970,907株。Marvell Technology $MRVL が8月18日にGoogleへ発行した新株予約権の上限だ。行使価格は1株206.58ドル。掛け合わせると121億8,000万ドルになる。見出しに並んだ「122億ドル」はこの積だ。Googleが受け取る額ではない。全部を確定させて行使したときに、Googleが払う側に立つ額である。 株価は8月19日に9.8%上げて237.27ドルで引けた。Google $GOOGL は0.15%高でほとんど動かず、10年にわたってGoogleのカスタムチップを主に手がけてきたBroadcom $AVGO が4.6%下げた。 時間の経過だけで確定する分は、1,360,867株しかない。全体の2.3%で、契約から1年のあいだに四半期ごと均等に確定する。残る5,761万株、97.7%は時間では1株も確定しない。GoogleがMarvellからCustom Productsを買った金額に応じて、240の等しいトランシェ（段）に分かれて確定していく。1段あたり5億ドルだ。 Custom Productsが何かも8-Kに並んでいる。TPUの周りに付く推論アクセラレータ、ストレージとネットワークのコントローラ、メモリインターフェース、near-memory compute。 240段に5億ドルを掛けると1,200億ドルになる。この積は届出のどこにも書かれていない。読む側が掛け算して初めて出てくる数字だ。 8-Kはその購入を discretionary purchases と書いている。裁量による購入という意味だ。Googleが最低いくら買うのか、買わなかった場合に何が起きるのかは、この書類のどこにも無い。 1,200億ドルの大きさは、Marvellの実績で測るとわかる。段を数える期間は2027年度第3四半期から2033年度末までの26四半期。1,200億ドルを26で割ると、1四半期あたりおよそ46億ドルになる。 Marvellが5月2日締めの四半期に計上した全社売上は24億1,780万ドルだった。うちデータセンターが18億3,270万ドルで、全体の75.8%を占める。240段すべてを確定させるには、Googleひとりで全社売上のおよそ1.9倍を、26四半期のあいだ買い続けることになる。 これは規模が絵空事だという話ではない。1段の5億ドルは、直近四半期のデータセンター売上の27%にあたる。数段でもMarvellの四半期の顔つきは変わる。ただ、それは契約ではない。 希薄化のほうも、額が決まっているわけではない。240段すべてが確定してGoogleが行使すれば、8億7,576万株に対して5,897万株、発行済みの6.7%が新たに出る。ただし出るかどうかもGoogleが決める。時間だけで確定する1,360,867株を別にすれば、希薄化も売上と同じ引き金を待っている。 Broadcomの4.6%安には、Googleの発注が移るという読みが働いている。ただCNBCが書いているとおり、Broadcomはこの10年、Googleのカスタムチップの主要な相手であり続けている。仕事の取り分が実際にどう動いたかは、この8-Kからは読めない。読めるようになったのは別のことだ。片方の供給者のGoogle向け売上にだけ、5億ドルごとに1段という、外から数えられる目盛りが公開で付いた。Broadcomの側に、同じ形で外から数えられる開示は無い。 最初の1段が確定しうるのは2027年度第3四半期からで、この四半期は8月の頭に始まっている。8月27日に出るのは、その直前に終わった第2四半期の決算だ。梯子の話は1段も入らない。 段が実際に動いたかが見えるのは、第3四半期の10-Qが最初になる。前年の第3四半期決算は12月2日に出た。そこに確定株数が載らなければ、1,200億ドルは書類のなかの掛け算のままだ。 9.8%の上げが織り込んだのは、Googleとの関係が続くという見立てであって、確定した売上ではない。8月19日の1日で、Marvellの時価総額はおよそ186億ドル増えた。その根拠になった書類のなかで、後戻りできない約束をしたのは、株を渡した側だけである。 🤘情報提供 Stock Slayer :

「1文字ずつ」しか喋れないAIは、もう古いのかもしれません🌀 画像生成で大成功した拡散モデルを、ついに言語生成へ持ち込んだ研究が登場しました。 タイトル: dLLM: Simple Diffusion Language Modeling URL: 🌀 概要 本研究は、画像生成でおなじみの「拡散モデル」の考え方を、言語モデリングに応用したフレームワーク「dLLM」を提案しています。テキストを左から右へ順番に作るのではなく、ノイズ（マスク）まみれの状態から、複数ステップをかけて文章全体を少しずつ整えていく「反復的な精緻化」によって生成します。名前のとおり、複雑な仕掛けを足さずに、できる限りシンプルに実現することを重視しているのが特徴です。 ❓ 解決する課題 現在のLLMの主流は、トークンを1つずつ予測していく「自己回帰（Autoregressive）」方式です。しかしこの方式には弱点があります。 ・逐次生成のため本質的に並列化しにくく、長文ほど生成が遅くなりがちです ・一度書いたトークンを後から推敲・修正する仕組みがなく、全体を見渡して整えるのが苦手です 拡散ベースの生成は、これらの制約を別の角度から解きほぐす可能性を持っています。 💡 方法論と提案手法 dLLMは、言語生成を「離散拡散（Discrete Diffusion）プロセス」として定式化し直します。 ・マスクされた、あるいはノイズの乗ったトークンからスタートします ・複数ステップにわたって段階的にアンマスク（デノイズ）し、クリーンな系列へ復元します ・破損した入力から正しいトークンを予測するよう、ニューラルネットワークを訓練します ・複数トークンを同時に生成できる「並列デコーディング」に対応します 新規の特殊なネットワークを設計するのではなく、既存のTransformerにそのまま載せられる点が実装上の大きな利点です。 🌍 ユースケース / 実験結果 複数のモデル規模・系統で有効性が確認されました。 ・エンコーダ系：ModernBERTを拡散方式で訓練し、分類ベンチマークで競争力ある結果を達成 ・デコーダ系：QwenやLlamaをベースにした拡散モデルでも、言語理解タスクで実用的な性能を確認 ・並列デコーディングにより、標準的な自己回帰方式より高速な推論を実現 ・0.6Bから、より大きなパラメータ領域まで一貫して有効性を確認 高速応答が求められるチャットや、推論コストを抑えたい大規模サービスでの活用が期待されます。 #拡散モデル# #LLM#