#NFT# 私の書道制作ムービー作品[ DREAM ]のオークションをOpenseaで実施します！みなさん是非チェックしてください♪ I will be holding an auction on Opensea for my calligraphy production movie piece [ DREAM ]! Please check it out♪ 10/25 22:30 ~ /28 22:30 JST

大告知！ おにぎりまん×326のnftコラボアートをお互いのopenseaから出品いたします！ 明日の21時ごろオークション形式を予定しています ちなみに コラボアバターも制作中です ゴリゴリの3Dで表現されたキャラクターです かなり気合入れて作ってます！ 盛り上がれNFT！ @onigiriman1998 @nakamura326

私の一点限定NFT作品[DREAM] を、Openseaでオークション開始しました！最初の入札者はだれだ👀 入札はあさって28日までです！ 今回NFT用のお財布の作り方を解説して貰っていますのでこちらもチェックしてね〜♪

・ ○ 【お知らせ！！】 《NFT START🩷》 この度open seaにてくりえみのNFT販売を行っていきます、、！！AIも、3次元も、組み合わせてNFT化させていきます🐇 今回は24時間に一枚ずつ発行される形式にしてみました！MINTページも作ったよ……((白目)) NFT化させようと思った理由は、AIくりえみの顔が童顔すぎてAmazonでコンテンツ違反になってしまうので(児童ポルノ的な意味合いで)それならNFT化させて自身のMINTページにてNFT化させたものを発行させていこうと思い付きました。 挑戦してみてダメならまた新しい案を絞り出してまた挑戦します！！！ 私は何度も何度も、上手くいくまでやり続けます！！！ 成功するまでやり続けるよ。 ということで、ぜひぜひ海外の方も限定一日一枚！なのでよろしくお願いします✨ ↓ 《

🎨 「見る」と「創る」を同じモデルの中で育て合わせる、統合視覚AIの新作が登場しました。 タイトル: SenseNova-U1.5: Towards Native Unified Visual Intelligence URL: 🧩 概要 OpenSenseNovaが開発した8B規模のMixture-of-Transformersモデルで、外部の視覚エンコーダやVAEを一切使わず、生のピクセルを直接扱いながら画像理解・推論・生成・編集を1つのモデルでこなします。 ⚙️ 解決する課題 従来の統合モデルは理解系と生成系で別々の潜在空間を経由することが多く、整合性のロスが生じがちでした。理解と生成を共有表現の上で本当に一体化させることを目指しています。 🛠 方法論と提案手法 視覚トークンを2次元特徴フィールドに投影し、隣接する32×32領域間で情報をやり取りしながら再構成する空間デコーダを採用。さらに美的品質・OCR・編集・インフォグラフィックの4専門家をRLで個別に鍛えた後、On-Policy Distillationで1つのモデルへ統合します。 📊 実験結果 GenEval総合0.92、画像編集ベンチマークImgEditで4.59（前作U1は3.90）、ビジネス文書生成BizGenEvalでは前作51.4%から72.2%へ大幅向上と、理解・生成・編集の全方位で前作や競合を上回りました。 #統合マルチモーダルAI# #画像生成#

イスラーム法学の「ハディース学」を、AIエージェントが積み上げる知識ベースの信頼性判定に応用した論文が出ている(https://arxiv[.]org/html/2607.24117v1)。 複数のAIが協調して知識ベースを作る仕組み(スクレイパーが情報を抽出し、要約モデルが整理し、別のモデルが回答を合成する、という何人もの「手」を渡り歩く構成)では、来歴管理(provenance、誰が何をしたかの記録)があっても「この主張を信じていいか」までは答えられません。著者が持ち込むのは、預言者ムハンマドの死後にイスラーム法学者が約1200年かけて磨いた手法です。伝承の連鎖(isnād)を必ず記録し、伝承者ひとりひとりの信頼度を個別に格付けする(rijāl)という考え方です。 鎖全体の信頼度は一番弱い伝承者で決まる「弱点連鎖」が基本ルールです。最後にどれだけ賢いモデルが回答を合成しても、途中の抽出段階が壊れていれば意味がないという発想です。ただしAI向けの調整もあり、情報を壊すだけの処理(抽出や要約)は単純に最小値評価にする一方、情報を作り直す処理(生成モデルによる合成)は自分の格付けの範囲内でなら信頼度を持ち上げる方向にも動けます。弱点連鎖だけでは厳しすぎる場面を救うため、互いに独立した複数の連鎖が同じ主張を裏付ければ格上げする「相互証明」の仕組みも入っています。さらに、連鎖の信頼度が高くても中身が正しいとは限らないため、伝承の連鎖とは別に主張の中身そのものが既存の知識と矛盾していないか個別にチェックする仕組みも組み込まれています。実際に物理学の教科書(OpenStaxとCrowellの教科書)に適用した事例研究では19件の矛盾が見つかり、全て人手確認で本物と確認されました。多くは「古典力学とフォトンとで運動量の扱いが違う」ように、間違いではなくどちらも正しいが前提となる理論が違うだけ、というケースだったそうです。 本評価では同じ物理学教科書から抽出した2万件の主張を使い、信頼度の異なる4つの「伝承者」(モデルやスクレイパーのバージョン、故障率は1%・2%・15%・18%)を混ぜてテストしました。最も信頼度の低い伝承者を含む連鎖4,057件(全体の29%)は漏れなく検疫(要注意の主張を人の目に回す措置)され、原因となった伝承者まで追跡できています。一方で、監査ログから自動的に信頼度を学習する仕組みは4つの伝承者のうち3つは正しく回復できたものの、実験内で最も故障率が高かった伝承者(18%)は該当分野での事例が少なすぎて一度も格付けされず、見逃されました。さらに実運用でのカバー率を決めているのは主張の矛盾を見抜く「批評」担当モデルの性能で、参照実装は単語の重なりを見る程度の簡易版だったため大半の文章を「判定不能」としてしまい、カバー率は4.8%止まりだったとも正直に報告されています。 うまくいった部分といかなかった部分の両方をはっきり書いている点も含めて、複数エージェントで知識を積み上げるシステムの設計を考える上で参考になりそうです。