GOALSTUDIO Japan様より 2026T1ユニフォームをご提供頂きました✨ ホワイト地にロゴが可愛い… 3月22日までPOP UP SHOPも開催中なので ぜひ遊びに行ってみてくださいね🥰 #GOALSTUDIO# #T1# #PR#

【T1×GOALSTUDIO POP UP STORE】 オンラインストアでは完売している選手のユニフォームもまだ店舗では在庫がございます✨ 残り少なくなっている商品もございますので、お求めの方はお早めのご来店がおすすめです😎 本日も皆さまのご来店お待ちしております♪ #T1# #GOALSTUDIO# #WOAT#

🟡 REYSOL 3 GOALS⚫️ 本日勝利を呼びこんだ #遠藤渓太# 選手、#瀬川祐輔# 選手 、#久保藤次郎# 選手のゴールを、クラブカメラの映像で一挙にお届けします📹🔥 #柏レイソル# #AMBITIONToBeTheBEST#

【“今日の自分”を前進させる言葉】 “You don’t rise to your goals. You fall to your standards.” — クラーク･ケグリー 高い目標に“上がろう”とする前に― 
まず、自分の “基準（standards）”を底上げしよう。

【“今日の自分”を前進させる言葉】 “You don’t rise to the level of your goals. You fall to the level of your systems.” — ダン･マーテル 目標は高くても それだけじゃ追いつかない。 
大事なのは、システム。 （“目標を支える日々の仕組み"）

🧬 「抗がん活性があって毒性の低いペプチドを作って」という自然言語の指示だけで、分子生成モデルを目標に導けるようになりました。 タイトル: LLM-to-Flow Distillation: Teaching Natural Language Goals to Scientific Generators URL: 分子やペプチドを生成するFlow/Diffusionモデルは優秀ですが、自然言語の目標に合わせて調整するには通常、明示的な報酬関数（プロキシ指標）が必要でした。この論文のLFDはLLMを教師、生成モデルを学生とすることでこの壁を取り払います。注目ポイントは3つです。 🎯 プロキシ報酬なしで目標に整合 LLMが生成サンプルを見ながら「今の実力で届く部分目標」を段階的に設定し、DPOで生成モデルを少しずつ目標領域へ導きます。 📊 絶対評価は不正確でも相対判定は信頼できる LLMに1〜100点をつけさせると真値から大きくズレますが、どちらが優れているかのペア判定は一貫して信頼できることを実証し、スケーラブルなバッチ分類方式を採用しています。 🏆 既存手法を一貫して上回る実験結果 細胞貫通ペプチドでpLM4CPPsスコア69.06%（DiffusionNFTの57.04%超え）、抗がんペプチドで53.54%（Guidanceの35.94%超え）、ドパミンD2受容体ドッキングでもVinaスコア-8.48で全手法中最良を記録しました。 プロキシ報酬を用意できない実験科学の現場でこそ効くアプローチだと感じます。 #LLM# #AI創薬#

◤最新チャート◢ 🏆#TaylorSwift# 初のディズニー作品 書き下ろし楽曲が首位に ✨#米津玄師# はトップ5を維持 1位：Taylor Swift『I Knew It, I Knew You』 2位：Jungle『The Wave』 3位：Anitta & Rema『Goals』 ▽記事 @tokio_hot100 #jwave# #トキホ#

◤最新チャート◢ 🏆「#FIFAワールドカップ2026」# 開幕＆#JIBLUE# の『景色』が1位に！ ✨#サカナクション# はトップ3目前 1位：JI BLUE『景色』 2位：LISA, Anitta & Rema『Goals』 3位：Taylor Swift『I Knew It, I Knew You』 ▽記事 @tokio_hot100 #jwave# #トキホ#

2026年の願いこと＆目標あったら書いて #PUSHPUSH2026# に送ってね✨ 1月の3日の配信で一緒に応援しましょう📣 If you have any wishes or goals for 2026, write them down & Send to #PUSHPUSH2026# Let’s cheer each other on together during the stream on January 3rd 📣 #なまあやみ#

🧭 「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#