那須音トウ / Nasune Tou

画像認識AIを研究してた人。漫画・ゲーム・ご飯が好き。たまにAI話も。

[那須音トウ / Nasune Tou @NASNETou]

OC

[Chamber 梦之卜 @Chamberartscn]

アリス・マーガトロイド 夜汽車 ver.

夜汽車（@YOGISYA）先生のイラストをもとに、
1/7スケール ガレージキット化。

グレーモデルは WF2026［夏］にて展示済み。
現在、彩色見本を鋭意制作中です！

近日公開予定

原画：夜汽車（@YOGISYA）

#東方Project #アリス・マーガトロイド #ガレージキット #フィギュア #WF #ワンダーフェスティバル

[那須音トウ / Nasune Tou @NASNETou]

全��味に触れず、数十年前の国外旅行の思い出だけを延々と語るような、たまに見るヤバい食レポ。ああいうものが、割と自然な振る舞いというか、ガストロノミーの本質だったりするのかなぁ

[那須音トウ / Nasune Tou @NASNETou]

久々にまぜそばを食べた

スパイシーな甘辛にんにく香味油に、ワシワシの太麺。甘味は強めで、香味野菜もたっぷり。ジャンクで賑やかで、とても楽しい感じの味だった

味は全然違うけど、大阪にいた頃はずいぶんまぜそばを食べてたな。この前ふと思い出して調べたら、もう店自体がなかった。

[那須音トウ / Nasune Tou @NASNETou]

たぶんこれからも、なくなった店の話を永遠にし続けるんだろうな

そして年々、目の前にあるものを、そのまま目の前にあるものとして体感するのが難しくなっている気がする。目の前の味や香りそのものより、昔の記憶とか、その頃いた場所とか、そういう思い出ばかりが大きくなっているように感じる

[Cygames公式アカウント @Cygames_PR]

このたび、Cygames Researchと東京科学大学による共同研究論文が、コンピュータービジョン分野における世界最高峰の国際会議「ECCV 2026」に採択されたことをお知らせします。

詳細は以下をご覧ください。
https://t.co/oyC0LzDZK7

[Anthropic @AnthropicAI]

Checking that a major mathematical proof is correct can take years. Formalization—converting the mathematical reasoning into a form computer proof assistants like Lean can verify—can help.

Last month, Claude completed the first formalized proof of Fermat’s Last Theorem, one of the most famous theorems of all time. This was a project experts thought would take many years. It is the largest Lean proof ever written.

Fermat’s Last Theorem was first proven in 1995 by Sir Andrew Wiles, more than 350 years after it was conjectured. Our proof, which totals over 13 million lines of code, provides machine verification. More importantly, it proves over 29,000 other theorems that the proof requires, across many areas of math which had never before been formalized.

We see this as a major step in the long process of firming up the core of mathematical knowledge, building on work from three centuries of mathematicians and hundreds of contributors to Lean and Mathlib. We are optimistic that AI-assisted verification of mathematical proofs will help reduce the burden of refereeing mathematics in an era where more proofs are being produced than ever before.

You can read about the process on our Science Blog: https://t.co/ryYnDEAU6J

And see the complete proof on GitHub: https://t.co/wlYMXYnofz

[那須音トウ / Nasune Tou @NASNETou]

しかも、時代による変化とは別に、ジャンプっぽさ、マガジンっぽさ、サンデーっぽさ、電撃大王っぽさ、まんがタイムきららっぽさ、ハルタっぽさ、花とゆめっぽさ、コロコロっぽさみたいな、媒体ごとなレベルでも独自の傾向がある気がする。時間軸とは別に、系統樹や文化��が広がってる感じ……？

[那須音トウ / Nasune Tou @NASNETou]

「絵柄が古い」という感覚、実態はさておき、単純な新旧というより「1970年代の少年漫画」「2000年代の美少女ゲーム」「2010年代の深夜アニメ」「2020年代のソシャゲ」みたいに、各時代・媒体に紐付いた美的感覚の流行はある気がする。そして、ここらへん意外とちゃんと言語化されてない気がする。

[塩野ネリコ @tonericoto]

絵柄が古い問題については高河ゆん先生のこの記事がベストアンサーだと思います。古い古くないでワイワイしてる場合じゃないんだ俺たち……

漫画の絵が古いとか言うのはなんか違う。むしろ気にするべきは｜高河ゆん https://t.co/uZArNZZ3ac

[漫画「メダリスト」⛸🏅 @medalist_AFT]

🎉Happy birthday 司！🎂🎉
本日9月4日は主人公・明浦路司（あけうらじ つかさ）の誕生日です！🏅

寿司が好物のベスト3で、回転寿司でネタを待っている間にガリを食べるのが至福の時間です。
誕生日には普通に予定を入れてしまうので、後日加護さんに連れて出してもらってます🚗💨

[Daisuke Okanohara / 岡野原 大輔 @hillbig]

Visual General Intelligenceとして視覚経験から知能を獲得できるのかを考えたホワイトペーパーを紹介する。

現在のマルチモーダルモデルは言語を中心に据えることが多いが、本論文では、画像、動画、3次元構造などの視覚経験だけから一般��な知能は生まれるのかを、さまざまな観点から議論している。

画像や動画を大量に観察し、未来を予測し、見えていない部分を復元することで、物体、空間、運動、物理法則などの内部表現が自然に形成されるのではないか、という仮説を中心に置いた上で、複数の研究者がそれぞれ異なる立場から議論している。

Robert Geirhos氏は、動画生成モデルこそVisual Foundation Modelになり得ると主張している。

画像分類では、問題を解くためのショートカットがさまざまに存在する。一方、生成という学習目標では、物体だけでなく、形状、背景、照明、運動などを整合的に表現する必要があり、識別よりもはるかに多くの世界の構造を捉えることが求められる。

これに対し、Shangzhe Wu氏とJiajun Wu氏は、見た目を正しく生成できることと、世界を理解できていることは同じではないと指摘する。

例えば、落下する物体をもっともらしく生成できたとしても、摩���、接触、重力といった物理的な構造を内部で明示的に理解しているとは限らない。

彼らは、画像を生み出した背後の構造を推定することを重視している。例えば、物体が何であるか、どのような形状や材質を持つか、どのような力学に従って動くか、といった情報である。

さらに、そのような内部表現に介入できることも重要だと考えている。

片岡氏らは、こうした議論をふまえてVGIを予測、生成、復元という3つの学習目標から統一的に捉えようとしている。予測は世界のダイナミクス（世界モデル）、生成は反実仮想やプランニング、復元は状態推論に対応すると考えることができる。

さらに論文では、変化し続ける世界に対する継続学習、広がり続ける対象空間をどのように保持するか、必要な情報を自ら取りに行く能動的視覚なども議論されている。

今後のVGIにおける重要な研究課題を幅広く整理した論文である。

コメント
===

成功を収めつつあるテキスト領域に続き、視覚領域において汎用的な知識をどのように獲得できるのか、またそこに到達するまでにどのような課題があるのかを整理した論文である。

さまざまな立場の研究者の視点がまとめられており、読み応えがある。

特に興味深かったのは、言語はすでに人間によって圧縮・整理された知識であり、単語、文、文章といった階層構造もある程度与えられているのに対し、視覚情報では現実世界の整理されていない複雑さそのものから、何を単位として捉え、何を捨て、どのような階層構造を作るかまで学習する必要がある、という議論である。

そのため、視覚は言語以上に単純なスケーリングが難しい可能性がある。

これは視覚が対象とする領域だけの問題ではないと思う。例えば原子や分子、材料などの領域でも、そもそもどのような単位で概念をまとめるべきか、どのスケールの表現を使うべきか、階層構造がどのように存在するのかという問題は難しい問題としてしられている。

この意味では、現実世界を扱うPhysical AIには、単にデータ量やモデルサイズを増やすだけではなく、世界の複雑さをどのような表現へ整理していくかという難しさがある。

とはいえ、今年に入って視覚領域では動画生成、3D復元、世界モデル、Embodied AIなど多くの成果が急速に登場している。

今後数年で、Visual General Intelligenceに向けて大きな進展があると期待される。

[マクドナルド @McDonaldsJapan]

月を見ると嬉しくなって、つい踊っちゃうんだ！
#いまだけ月見食べ美

[FLATLABO @flatlabo]

💡弊社HPのコラムを更新しました！💡
これまで弊社で制作した、しぐれうい先生の展示や、BLEACH、FGOの制作事例をもとに、LEDを用いた作品のご案内です！

ぜひご参考にしてみてください！！

『光らせるだけじゃない！「LED×プリント」で表現を広げる3つの超実践的アイデア 』https://t.co/RaVCDsbQzx

[那須音トウ / Nasune Tou @NASNETou]

人気順トップ、意外にも3年前のチャッピーだった

[那須音トウ / Nasune Tou @NASNETou]

めちゃくちゃ怖くなっちゃった

[那須音トウ / Nasune Tou @NASNETou]

素粒子物理学の5σ。同様の記載を幾つか見つけたけど、どういう経緯で合意が形成されたのか不思議な数だ (ここ30年くらいの慣習らしい？)

[彩恵りり🍀科学ライター兼Vtuber (お仕事募集再開) @Science_Release]

【これは暗黒物質の発見なのか？】
現状では「いいえ」。今回の研究分野ではある基準を満たして初めて「発見」と言えるんだけど、今回はその基準に達してないので「兆候」と呼ばれているのよ。
また、暗黒物質による信号と確定していないので、「兆候の可能性がある」と、結構慎重に言及されてるのよ。

[彩恵りり🍀科学ライター兼Vtuber (お仕事募集再開) @Science_Release]

【どういう内容？】
LZ実験という国際研究の結果として、暗黒物質に由来するかもしれない信号1個の検出を国際会議の場で公表。
普通の物質の5倍以上もある宇宙の多数派にも関わらず、提唱から100年近く正体不明だった暗黒物質の兆候を捉えたかもしれないのよ。

[Lucas @lucasdegeorge]

🚀 New paper: Balancing Frequencies and Pixels in Flow Matching

We tackle the low-frequency bias in pixel-space flow matching and train JiT up to 40% faster without any architectural changes.

📄 Read it here: https://t.co/VmNzR4wRzd

[那須音トウ / Nasune Tou @NASNETou]

カリカリにチューニングされてる気配はあるけど、JiTやLeWorldModelみたいな、複雑化してきたアーキテクチャに対する揺り戻しの一環なのかなと思ってみてる

[机器之心 JIQIZHIXIN @jiqizhixin]

Most latent generative models still follow the same two-stage recipe: train a VAE for reconstruction, freeze it, then force the generative model to learn whatever latent space it gets. But reconstruction-optimal latents are not necessarily generation-friendly — so why not let the generative model shape the latent space directly?

ByteDance Seed presents GenFirst to make stable end-to-end latent learning work.

This work revisit the VAE objective and identify a prior–entropy imbalance as the key cause of latent collapse in naive end-to-end training. After fixing collapse with explicit entropy preservation, they find that generation and reconstruction have strongly asymmetric learning dynamics.

This leads to Generation Before Reconstruction (GenFirst): first let the generative objective shape a generation-friendly latent space, then strengthen reconstruction to recover visual details.

The results are strong. With end-to-end SiT + VAE training, GenFirst achieves 0.97 gFID with CFG / 1.45 without CFG on ImageNet-256, and reaches the final SiT result with at least 70× fewer training steps. This is the first diffusion model to reach FID < 1.0 without an FD loss. On text-to-image generation, it reaches 0.90 GenEval.

More importantly, this end-to-end framework goes beyond image generation: it learn a shared visual latent space that supports generation, representation learning, and reconstruction, and further extend end-to-end latent learning to continuous text latents, enabling unified text-to-image and image-to-text diffusion modeling.

GenFirst: Generation Before Reconstruction for Stable End-to-End Latent Generative Modeling

Paper: https://t.co/35pvv7FyuA
Project: https://t.co/3wAghilYvw
HF Daily Paper: https://t.co/9SwtR4xSef

[机器之心 JIQIZHIXIN @jiqizhixin]

Most latent generative models still follow the same two-stage recipe: train a VAE for reconstruction, freeze it, then force the generative model to learn whatever latent space it gets. But reconstruction-optimal latents are not necessarily generation-friendly — so why not let the generative model shape the latent space directly?

ByteDance Seed presents GenFirst to make stable end-to-end latent learning work.

This work revisit the VAE objective and identify a prior–entropy imbalance as the key cause of latent collapse in naive end-to-end training. After fixing collapse with explicit entropy preservation, they find that generation and reconstruction have strongly asymmetric learning dynamics.

This leads to Generation Before Reconstruction (GenFirst): first let the generative objective shape a generation-friendly latent space, then strengthen reconstruction to recover visual details.

The results are strong. With end-to-end SiT + VAE training, GenFirst achieves 0.97 gFID with CFG / 1.45 without CFG on ImageNet-256, and reaches the final SiT result with at least 70× fewer training steps. This is the first diffusion model to reach FID < 1.0 without an FD loss. On text-to-image generation, it reaches 0.90 GenEval.

More importantly, this end-to-end framework goes beyond image generation: it learn a shared visual latent space that supports generation, representation learning, and reconstruction, and further extend end-to-end latent learning to continuous text latents, enabling unified text-to-image and image-to-text diffusion modeling.

GenFirst: Generation Before Reconstruction for Stable End-to-End Latent Generative Modeling

Paper: https://t.co/35pvv7FyuA
Project: https://t.co/3wAghilYvw
HF Daily Paper: https://t.co/9SwtR4xSef