⭐️お知らせ⭐️ 私のミリタリーヴィーナス特装版の表紙を解禁！ イラストは誉さん@homare_works に描いていただきました 限定カバーと2Lのブロマイド付きです。 11月26日（水）12:00より、モデルカステンWebサイトにて予約開始です。 こちらは部数限定となりますので、欲しい人はどうぞお早めに！ ※発売前につき「品切れ」表示となっています。 #am_modelling#

【#JUNGLE買取情報】# 買取強化実施中 『SMP [SHOKUGAN MODELING PROJECT]闘将ダイモス バトルターンセット』 【未開封】￥9,000 ※価格は未開封・完品の買取価格です。 ※買取金額は予告なく変更する場合がございます。 スタッフ:T0M1N4G4

KNIGHT MECHA GIRL No.214 Lichtkrone ⠀ 1/7スケールフィギュア 原　型：TENNEN MODELING 彩　色：TENNEN PAINTWORKS 価　格：24,800円 サイズ：約240mm（台座含む） 材　質：PVC・ABS ⠀ メカ要素が多くなると プラモデル感が強くなりますね。 反対に生体要素が多いと フィギュア感が強くなります。 ⠀ ※このフィギュアは”まだ”実在しません。 　AIにより生成された創作画像です。

TinCLE Version 0.14 スマホなどモバイル機器でのマルチタップに対応👐仮想現実モデリング言語『VRML』(Virtual Reality Modeling Language)による巨大な3Dワールドの正確な生成🌐作曲スキルの更なる精緻化など今回も魅力的なアプデが満載です🌟お試し下さい!!🙂 #ゲーム制作#

動画生成モデルは「もっともらしい動画」を作れても、「正しい確率で将来を分布できる」かは別問題です。 タイトル: PAWBench: How Far Are We from Probabilistically Aligned World Modeling? URL: 🎯 概要 コインを50回投げたとき表と裏が約50%ずつ出るように、動画生成モデルも「ありうる将来の正しい確率分布」を再現できなければ真のワールドモデルとは言えません。PAWBenchはこの「確率的整合性」を評価する初の体系的ベンチマークで、50シナリオ・11モデルを評価しました。 🔍 解決する課題 従来の動画評価はFIDやFVDなどの知覚品質や多様性に焦点を当ててきましたが、「各結果が正しい頻度で生成されるか（較正）」と「すべてのありうる結果を網羅できるか（網羅性）」を同時に測る指標がありませんでした。 ⚙️ 評価手法 PAWEvalはK=50回の動画生成をGemini 3.5 Flashで終端結果に変換し、全変動距離（TVD）と有効サポート回収率で評価します。投擲・回転・衝突・材料遷移など8種類の物理メカニズムを対象としています。 📊 主要結果 最良モデルのCosmos 3 Super I2VでもTVD 20.5（完全整合=0）に留まります。全モデルの平均TVDは31.2で、有限サンプルで予想される偶然のばらつき（8.33）を大幅に上回ります。「確率精度・広い網羅性・採点信頼性」を同時に達成したモデルは1つもありませんでした。 ⚡ 介入実験の教訓 プロンプトエンジニアリング・結合ノイズサンプリング・LoRA微調整の3つを試しましたが、いずれも部分的な改善にとどまり根本的なギャップは解消されませんでした。モデルは物理的因果介入には過少反応し、非因果的な視覚・テキスト手がかりには過剰反応する傾向があります。 動画生成をロボティクス・自動運転・物理シミュレーションに応用しようとする研究にとって、確率的整合性はこれから欠かせない評価軸になります。 #動画生成# #ワールドモデル#

【📢本日19:00開催｜論文再現実装ハンズオン#6】# DL基礎講座で学んだ知識を、論文の読解や実装につなげてみませんか？ 松尾研DLコミュニティでは、本日10/30（金）19:00より「論文再現実装ハンズオン#6」を開催します！# 今回は、DLコミュニティメンバーの宮氏が、論文「Flow Matching for Generative Modeling」の読解と実装方法を解説します。 Flow Matchingは、ノイズから画像や音声などのデータへ変換する「流れ」を学習する生成モデルの手法です。論文の再現実装を通して、他の生成モデルを理解する際にも役立つ考え方を学びます。 DL基礎講座を修了して次のステップへ進みたい方はもちろん、これから基礎講座を受講予定で、修了後の学びのイメージを掴みたい方にもおすすめです。 ・日時：本日10/30（金）19:00〜21:00 ・形式：Zoomオンライン（一般公開・どなたでも参加可能） ・登壇：DLコミュニティメンバー 宮氏 皆さまのご参加をお待ちしております！ ▼詳細・お申し込みはこちら

お知らせ📢10/30(金)「論文再現実装ハンズオン#6」開催！# 松尾研DLコミュニティでは、10/30(金)に「論文再現実装ハンズオン#6」を開催します。今回はDLコミュニティメンバーの宮氏が、論文「Flow# Matching for Generative Modeling」の読解と実装方法を解説します。 Flow Matchingは、ノイズ（乱雑なデータ）から画像や音声へ変換する「流れ」を学習させ、データを生成する生成モデルの一種です。論文の再現実装を通して学ぶことで、他の生成モデルを理解する際にも役立つ考え方が身につきます。 ・日時: 10/30(金) 19:00〜21:00 ・形式: Zoomオンライン（一般公開・どなたでもご参加いただけます） ・登壇: DLコミュニティメンバー 宮氏 DL基礎講座を修了して次のステップへ進みたい方、これから基礎講座を受講予定で修了後のイメージを掴みたい方にもおすすめです。 ▼詳細・お申し込みはこちら

【 Ver.2.0 リメイク & 価格改定のお知らせ 】 オリジナル3Dアバター 「ニビ - Nivy」 Ver.2.0を公開しました！ - モデル造形＆各種機能を大幅にリメイク - 既存購入者様はBOOTHの購入履歴から無料で再ダウンロード可能！ - Ver.2.0公開に伴い＋400円価格引き上げ（今後の大型アプデ後に定価2,222円予定） 【 Nivy Ver.2.0 Remodel & Price Notice 】 Original 3D avatar "Nivy" Ver.2.0 is now released! - Extensive remodel of modeling & various features - Past customers can download v2.0 for free from BOOTH! - Price increased by ¥400 (Planned to be ¥2,222 after future major updates) 【 Ver.2.0 리모델링 & 가격 안내 】 오리지널 3D 아바타 ‘니비 (Nivy)’ Ver.2.0 업데이트! - 모델 조형 및 전체 기능 전면 리모델링 - 기존 구매자분들은 BOOTH 구매 내역에서 무료 재다운로드 가능! - Ver.2.0 업데이트로 400엔 인상 (추후 대규모 업데이트 시 정가 2,222엔 판매 예정) #VRChat# #オリジナル3Dモデル# #VRChatAvatar# #Nivy3D#

TL;DR LLMが自然言語の最適化問題を数式・コードに変換する際に起きる「幻覚」を、生成後に安全に直すフレームワークが登場しました。精度を最大20ポイント改善しつつ、正しかった部分を壊す「後退」は1%以下に抑えています。 タイトル: Fix What's Wrong, Keep What's Right: Hallucination Repair for LLM-Based Optimization Modeling URL: ポイント 🔍 問題文⇄数式⇄コード⇄データを5方向からチェックして、どこがなぜ間違っているかを特定します ✂️ 直す範囲を「コードだけ」「モデルの一部だけ」「全体の再構築」の3段階から証拠に基づき最小限に絞ります 📜 24種類の「修復カード」が、書き換えてよい箇所・守るべき箇所・合格基準を契約として明文化します ✅ 修復後は実行テストと監査に両方合格しないと採用せず、失敗時は元の成果物をそのまま残します 📊 6つのベンチマークと複数の生成モデルで検証し、精度を6.3〜20.1ポイント改善、後退率は最大1.0%に抑制しました 🧩 診断の仕組みを外すと救済率が24.5ポイントも落ちることが確認され、各仕組みの効果が裏付けられています 生成するだけでなく「直す」工程を体系化した発想が実務的で、最適化以外のコード生成や構造化出力にも応用できそうです。 #LLM# #最適化モデリング#

表形式データの基盤モデル、実は「目的変数だけ」を予測する設計に留まっていました。テーブル全体の変数間の関係そのものを学習させる新しいパラダイムが登場しています。 タイトル: LimiX-2: A Contextual Mechanism Network Towards General Structured-Data Intelligence URL: 📝 概要 「Contextual Mechanism Networks（CMN）」という新パラダイムで、目的変数y だけでなくテーブル全体の同時分布p(x, y)を学習し、分類・回帰・欠損値補完・因果構造探索を単一モデルでこなします。 ❗ 解決する課題 既存のPFN系手法は目的変数の条件付き予測のみに特化しており、変数同士の依存構造を明示的に扱えていませんでした。 ⚙️ 方法論 セル単位の埋め込みとデュアル軸トランスフォーマー（24層）で、コンテキスト行とクエリ行の一部をマスクして特徴とターゲットを同時予測する「Context-Conditional Masked Modeling」で学習します。構造因果モデルに基づく合成データで大規模に事前学習しています。 📊 実験結果 TabArena（51データセット）でEloスコア1935（比較対象1818）、BCCO（156データセット）で累積勝数が2.06倍。因果構造の復元でも6データセット中6つでF1スコア最優秀を記録し、パラメータ数はTabFMの4分の1で上回りました。 🔬 ユースケース 分類・回帰だけでなく因果探索にも同じモデルが使えるため、データ分析パイプライン全体を1つの基盤モデルで置き換えられる可能性があります。 #表形式データ# #機械学習#