ディープラーニングを利用したフレーム補間技術RIFEとアップスケーリング技術MetalFX Spatialを利用し高負荷なMacゲームをより滑らか＆鮮明にプレイできるようにするアプリ「Adrenaline」がリリース＆8月31日まで無料配布中。

[UP NEXT/Teaser]📣&TEAM "Love Jang + Night to howl!"｜Spatial Audio🎧Live 📌2026.10.17 6PM(KST) [Teaser Trailer]👉👉 &TEAM's Encore Live🎶 Romantic & Wild Charms You Can't Miss! ロマンも野性味も見逃せない&TEAMのアンコールライブ🎶 ¡Ni el romance ni la fiereza te puedes perder! Encore Live de &TEAM🎶 #K팝# #kpop# #앤팀# #andTEAM# #러브장# #LoveJang# #Night_to_howl# #spatialaudio# #soundbomb360# #공간음향# #싸운드밤# #사운드밤#

【最新】空間理解 #AI×##XR# で現場DXを加速🥽 ナレッジワークス(株)が、「Spatial AI 導入・PoC支援サービス」を提供開始。 カメラ映像やLiDARデータをAIが解析し、XRデバイス上に必要な情報を表示。 企業ごとの環境や業務フローに合わせたシステムを構築する。 @knowledge_works

世界最高峰のクリエイティブ・デザインアワード『D&AD Awards 2026』の「Spatial Design（空間デザイン）」部門において、BMSG 5周年記念プロジェクト「BLACK RECORDS」が「Wood Pencil」を受賞いたしました。 🔗 #BMSG# @dandad

#あいみょん10th# ☁️ ☁️ ☁️ ☁️ ☁️ ☁️ ☁️ ☁️ AIMYON 10th Anniversary contents #03# AIMYON Spatial Audio Collection ☁️ ☁️ ☁️ ☁️ ☁️ ☁️ ☁️ ☁️ これまでのあいみょんの楽曲が、 ドルビーアトモスによる空間オーディオ配信！ ぜひチェックしてください🎧

TL;DR 空間推論を文章生成ではなく「候補を選ぶ分類問題」として扱うことで、VLMを最大5.6倍高速化しつつ精度も向上させた研究です。 タイトル: MJev-Spatial: System One Spatial Intelligence via Native Attention Matching URL: ポイントはこちらです。 ・🎯 選択・数値・座標指定をすべて「有限候補の分類」として統一的に扱う設計 ・🧠 新しい予測ヘッドを追加せず、モデルが元から持つクエリ・キー注意機構を再利用してスコアリング ・📐 座標指定は3×3グリッドを3段階クロップし直して絞り込む階層的な精密化 ・🚀 B200 GPUでの平均レイテンシ160.6ms、自動回帰ベースライン比2.5倍、ベースモデル比5.6倍高速化 ・📊 12ベンチマーク平均65.64%でQwen3-VL-8Bなど既存手法を上回り、7ベンチマークで1位 ・🔢 距離推定は細かく区間を切るより粗めの方が精度が良いという意外な結果も ・🌲 確率木を使えば追加学習なしで複数点予測にも拡張可能 テキスト生成を経由しない「直感的な分類」という発想の転換が、速度と精度を両立させているのが面白いです。 #VLM# #空間推論#

TL;DR 空間推論を文章生成ではなく「候補を選ぶ分類問題」として扱うことで、VLMを最大5.6倍高速化しつつ精度も向上させた研究です。 タイトル: MJev-Spatial: System One Spatial Intelligence via Native Attention Matching URL: ポイントはこちらです。 ・🎯 選択・数値・座標指定をすべて「有限候補の分類」として統一的に扱う設計 ・🧠 新しい予測ヘッドを追加せず、モデルが元から持つクエリ・キー注意機構を再利用してスコアリング ・📐 座標指定は3×3グリッドを3段階クロップし直して絞り込む階層的な精密化 ・🚀 B200 GPUでの平均レイテンシ160.6ms、自動回帰ベースライン比2.5倍、ベースモデル比5.6倍高速化 ・📊 12ベンチマーク平均65.64%でQwen3-VL-8Bなど既存手法を上回り、7ベンチマークで1位 ・🔢 距離推定は細かく区間を切るより粗めの方が精度が良いという意外な結果も ・🌲 確率木を使えば追加学習なしで複数点予測にも拡張可能 テキスト生成を経由しない「直感的な分類」という発想の転換が、速度と精度を両立させているのが面白いです。 #VLM# #空間推論#

道案内AIが路地の角を曲がれても、都市を横断できるとは限りません。その差を実スケールの香港で測りました。 UrbanGround: From Local Perception to Spatial Agency in a Real-Scale City 🏙️ 概要 MLLMは短距離タスクや視覚認識で高い性能を示してきましたが、「局所での強さが広域行動に転化するか」は未検証でした。UrbanGroundは、香港の地理空間データ（OSM・衛星地図）からUnity上に構築した実スケール3D都市シミュレーションで、MLLMの空間エージェント能力を体系的に評価します。810件の人手検証済みタスクを5段階の評価ラダーに配置しています。 🔍 解決する課題 既存の空間推論ベンチマークはほとんどが小規模・合成環境・短距離タスクに留まっており、都市スケールの複合的な空間推論を問うものがありませんでした。天候変動・道路閉鎖・歩行者群衆といった動的変化への対応も問われていませんでした。 ⚙️ 方法論 フレームワークは3層構成（地理空間層・シミュレーション層・エージェント層）で、エージェントは一人称視点映像とインタラクティブマップを入力として受け取ります。評価は5段階ラダーで段階的に複雑化します。 ・Level 1: 視覚認識・方向判断・能動的探索 ・Level 2: 短距離/長距離/指示付きナビゲーション ・Level 3: 説明文からの暗黙的目的地推論 ・Level 4: スケジューリング・経路最適化 ・Level 5: 道路閉鎖・歩行者への動的適応 📊 実験結果 視覚認識は77〜93%と比較的高い一方、方向判断は23〜58%と弱く、短距離ナビゲーション成功率〜70%が長距離ではほぼゼロに崩壊します。天候・照明変化でQA精度が5〜20ポイント低下し、歩行者との衝突率は全モデルで75%超でした。GPT-5.5とKimi-K3が最も強力でしたが、長距離・動的環境での失敗パターンはどのモデルも同様です。 核心的知見は「局所能力は広域探索に合成されない」こと。エージェントは目に見える範囲は適切に動けても、それを超えた空間状態の維持や無効ルートの計画修正ができないことが実証されました。 #MLLMs# #EmbodiedAI#