Fumi

ベースはソフト屋さん。Web・デスクトップ・モバイル・組み込み、ちょっとインフラ。システム・制御・無線屋さんの一面も。2児のパパ。
秘書→Runa（@runa3bot）

[Fumi @engineer_fumi]

@runa3bot #runa_watch

[ナル夫 @GOROman]

Google公式ブログで自作のAIアプリ(ローカルLLM/VLM)が紹介されました！

https://t.co/6G8foZkfZm

[Fumi @engineer_fumi]

@runa3bot #runa_watch

[Natural Language Processing Papers @HEI]

Ling and Ring 2.6 Technical Report: Efficient and Instant Agentic Intelligence at Trillion-Parameter Scale

Ang Li, Ben Liu, Bin Han, Bin Hu, Bin Jing, Binbin Hu, Bing Li, Cai Chen, Caizhi Tang, Changxin Tian, Chao Huang, …
https://t.co/l8T1aJFQ9k [𝚌𝚜.𝙲𝙻 𝚌𝚜.𝙰𝙸]

[Fumi @engineer_fumi]

@runa3bot #runa_watch

[Natural Language Processing Papers @HEI]

A Practical Evaluation Method for Long-Form Simultaneous Speech-to-Speech Translation

Yulin Xue, Siqi Ouyang, Lei Li
https://t.co/z7fDa1SFHc [𝚌𝚜.𝙲𝙻]
💬Accepted to IWSLT 2026 Scientific Track

[Fumi @engineer_fumi]

@runa3bot #runa_watch

[オープンソース研究所 @opensourcelab9]

【衝撃】
AIが作るデザインが「なんかダサい」問題を、丸ごと直すOSSが★4.3万😳
taste-skill

何ができるかというと👇
・AIに“良いセンス”を後付けできる
・ありがちで退屈なUIを回避
・余白・文字・動き・配置が一段上がる
・参考イメージ作成のスキルも同梱

つまり
「それっぽいけど安っぽい」を卒業して、ちゃんと見栄えするものが作れるってこと。
https://t.co/KaTUb4JEwF

[Fumi @engineer_fumi]

@runa3bot #runa_watch

[Natural Language Processing Papers @HEI]

Stop When Further Reasoning Won't Help: Attention-State Adaptive Generation in Reasoning Models

Jiakai Li, Ke Qin, Rongzheng Wang, Yizhuo Ma, Qizhi Chen, Muquan Li, Shuang Liang
https://t.co/MsHm6Gj8tm [𝚌𝚜.𝙲𝙻]

[Fumi @engineer_fumi]

@runa3bot #runa_watch

[Muhammad Rizwan Munawar @muhammdrizwanmr]

Think @ultralytics YOLO is just code? Meet the YAML that defines it all. 💥 🚀

We published the model YAML configuration guide, a great resource for both researchers and developers to understand the layer workflows behind YOLO models.

More info 👇

#Research #DeepLearning #MachineLearning

[Fumi @engineer_fumi]

@runa3bot #runa_watch

[AI時代の羅針盤 (compass for the AI era) @compassinai]

【AIの「役割分担」という幻想に迫る】

「情報抽出役」「計算役」…。

複数のAIに役割を与えて協力させるアプローチは、AI開発の最前線として注目を集めています。

Salesforce Researchや南洋理工大学の研究者たちは、この流行の背後にある「優位性」を客観的に再評価しました。

研究チームは、AIが並列処理や文脈の分離を活かせるよう設計された新しい金融推論タスク「SMFR」を開発。

単一のAIに複数回考えさせるシンプルな手法と、最先端のマルチエージェント構築フレームワークとを多角的に比較しました。

最新の自動構築AIチームは、単独のAIシステムを凌駕できるのか？

👇詳細はリプ欄の動画で！

[Fumi @engineer_fumi]

@runa3bot #runa_watch

[levi @levidiamode]

164/365 of GPU Programming

Some additional interesting resources/papers/blog posts in this area
- https://t.co/gnjYKPwUph: collaboration between Cursor and Nvidia using Cursor's multi-agent harness to optimize CUDA kernels benchmarked against SOL-ExecBench
- https://t.co/4E4HAGtJSR: paper out of ByteDance seed using an agentic RL system for CUDA kernel optimization with data synthesis, verification + profiling, and long context training
- https://t.co/KO1de2WZvn: recent lit survey of the current LLM kernel generation space

Lots of interest in this space but seems like there are no consensus approaches that have emerged yet, so plenty of whitespace left

[Fumi @engineer_fumi]

@runa3bot #runa_watch

[How To Prompt @HowToPrompt__]

The entire vector database industry just got destroyed by A free tool from 1974.

For the last two years, every company building AI has obsessed over "RAG" (Retrieval-Augmented Generation).

They spent millions on complex vector databases, semantic search, and embedding models.

The promise? It’s the only way to give AI long-term memory.

But researchers published a paper proving that the most sophisticated AI agents actually do better with grep.

Yes. The basic search command invented 52 years ago.

Researchers tested modern AI agent harnesses, including Claude Code and Gemini CLI, on complex retrieval tasks.

They compared expensive vector retrieval against simple, old-school grep searches.

The results are humiliating for the AI infrastructure industry.

Across the board, grep didn't just compete with vector databases.

It beat them. It yielded consistently higher accuracy.

Why?

Vector search tries to be "smart." It finds documents that are semantically similar.

But when an autonomous AI agent is searching for exact code variables, specific log errors, or explicit names, "similar" isn't good enough.

"Similar" introduces noise. "Similar" distracts the agent.

grep is dumb, literal, and perfectly precise. It finds exactly what the agent asks for.

And as it turns out, when you combine a hyper-intelligent reasoning model with a perfectly literal search tool, the results are explosive.

The AI already has the semantic intelligence. It doesn't need the database to think for it.

It just needs the database to fetch.

When researchers intentionally added distracting, irrelevant text to the context, vector search collapsed. It grabbed the wrong information.

grep ignored the noise and pulled the exact string.

[Fumi @engineer_fumi]

@runa3bot #runa_watch

[LangChainJP @LangChainJP]

【長いタスクで文脈を保つDeep Agents】

Deep Agents SDK（ソフトウェア開発キット）は、計画、サブエージェント起動、ファイル操作を使って長時間タスクを実行するためのオープンソースのエージェントハーネス（エージェントを動かす仕組み）。

長いタスクではモデルのコンテキストウィンドウ（モデルが一度に扱える文脈量）を超えることがあるため、Deep Agentsは文脈圧縮の仕組みを備える。主な処理では、ツールの長い実行結果をファイルへ退避し、文脈が一定量を超えたときに書き込みや編集で使った長い入力内容をファイル参照へ置き換える。

ファイル退避だけで文脈量を減らしきれない場合は、会話履歴を項目ごとに整理した要約に置き換え、元の会話全体をファイルに保存。要約後も目的を保てるか、必要な情報を検索で取り戻せるかを小規模な評価で検証している。

[Fumi @engineer_fumi]

@runa3bot #runa_watch

[iwashi / Yoshimasa Iwase @iwashi86]

ローカルLLMをガンガン使っている方のポストだった。

・記事の筆者は、ローカルLLMの登場初期からそれらを使用しており、最近になって驚くほど性能が向上したと感じている
・使用環境は64GBのメモリと1TBのストレージを搭載した2022年製のM2 Mac

・これまでにMistral 7BやGemma 3、Qwen 3 MOEなど、多岐にわたるモデルを試してきた
・実行環境としても、llama.cppやOllama、LM Studioなど様々なツールを活用している

・初期のローカルモデルは動作が遅く、プログラミングのタスクには精度が不十分であった
・しかし、GPT-OSSの登場によりAPIモデルでのダブルチェックが不要になり始め、実用性が大きく向上した

・現在は主に、最新情報を必要としない開発時の個人的な検索ツールとしてローカルモデルを利用している
・特にGoogleのGemma 4シリーズの登場により、ローカル環境での自律的なコーディングが可能になった
・最先端の商用モデルと比較しても、約75パーセントの精度と速度でエージェントのループ処理が機能する

・筆者のデフォルトモデルは、LM Studioで動かすgemma-4-26b-a4b

・実際の用途としては、Pythonスクリプトのリファクタリングやtypeヒントの修正など
・ブログ記事の校正やユニットテストの作成、さらには推薦モデルのリポジトリ構築なども行なっている

・わずか半年前のローカルモデルでは、単純なタスクでさえ実行不可能であった
・最近リリースされたgemma-4-12b-qatは、サイズが小さいにもかかわらず非常に優れたパフォーマンスを発揮している

（あとはハーネスとしてPiを使っている話など）

https://t.co/vgV0osl6A1

[Fumi @engineer_fumi]

@runa3bot #runa_watch

[オープンソース研究所 @opensourcelab9]

【海外で話題】
AIにコードを触らせると「無駄な確認」で時間とお金が溶ける…を解決するOSSが★4.8万😳
CodeGraph

何がヤバいかというと👇
・コード全体を事前に“地図化”
・変更があると自動で同期
・AIの無駄な探索が約58%減
・コストも約16%安く
・しかも100%ローカル動作

つまり
AIが毎回「どこ見ればいい？」で迷わなくなるってこと。
Claude/Codex/Cursor/Gemini 対応。
https://t.co/eBLTDKCmkY

[Fumi @engineer_fumi]

@runa3bot #runa_watch

[Yasuo TABEI @yasuotabei]

Sakana AIの秋葉拓哉さんとFindyの佐藤将高さんによる対談「正しいだけでは足りない ── 技術の先にある判断の軸」が面白かったので共有します。以下、印象に残ったポイントのメモです。

1.正解がある作業の価値は相対的に下がる
誰がやっても同じ答えになる作業は、AIに置き換えられやすい。今後価値が高まるのは、何を作るか、何を捨てるか、どの設計や研究テーマに賭けるかという判断の部分。

2.理解はAIに外注できない
AIにコードを書かせたり、論文を要約させたりすることはできる。しかし、その出力が妥当か、どこに前提や危うさがあるかを判断するには、自分自身の理解が必要になる。

3.「割のいい賭け」を見極めること
確実に正しい選択肢だけを選んでいても、大きな成果にはつながりにくい。低コストで試せて、失敗しても捨てられ、成功したときのリターンが大きい方向を見抜く力が重要になる。

4.データドリブンだけでは決められない場面がある
既存の改善や評価にはデータが有効。一方で、新しい研究テーマやプロダクトでは、そもそも十分なデータがないことも多い。その場合は、データを踏まえた上で、自分なりの見解や仮説を持つ必要がある。

5.基礎力はAI時代でも価値が残る
AIが実装を補助してくれる時代でも、アルゴリズムやデータ構造、OS、統計、機械学習といった基礎知識は重要。基礎がないと、AIの出力を評価できず、問題が起きたときに原因を理解できない。

6.組織では「なぜやるか」の共有が重要
変化の速い領域では、何をやるかは変わり続ける。だからこそ、チームで速く方向転換するには、「なぜ今これをやるのか」が共有されている必要がある。

対談全体を通じて特に印象に残ったのは、「AIを使う力」以上に、「AIの出力を評価し、不確実な状況で判断する力」が重要になるという点です。その判断のためには、AIに任せきりにするのではなく、自分自身が仕組みを理解している必要があり、基礎力の重要性はAI時代でも変わらない、という話が強調されていました。

[Fumi @engineer_fumi]

@runa3bot #runa_watch

[恒星 @vintcessun]

原来论文写作还能这样强制回溯动机结构。PaperSpine 不在句子层面润色，而是让 agent 先学习目标场景和优秀样例，再要求每写一段都必须记录“为什么这么规划”，生成 writingrationalematrix 作为完整审计轨迹。说白了它逼你承认：每句话都要有证据和理由，而不是堆砌术语。实现上拆成十多个独立 skill，从研究、引用到 LaTeX 审计分步调用，可以只跑需要的分支。细节不小但思路挺值得借鉴。
https://t.co/xkvPqO2j6z

[Fumi @engineer_fumi]

@runa3bot #runa_watch

[Kzf5 @Pleiades7go]

ケンタウルス族探査の提言
興味深い対象ですな、、
https://t.co/ngCl5CrsaP

[Fumi @engineer_fumi]

@runa3bot #runa_watch

[恒星 @vintcessun]

别再卷Agent智能体策略了？清华EurekAgent发现：自主科学研究的真正瓶颈是环境设计，而非更聪明的Agent。

这颠覆了主流思路——随着模型能力增强，Agent的可靠性、成本控制和扩展性已卡在环境工程上。论文系统化四个维度解决：权限工程细粒度控制操作范围并隔离评估，防止奖励黑客；工件工程用文件系统+Git实现协作与实验管理；预算工程分配计算/API预算平衡深度与成本；人机协作工程设计低摩擦监督接口。花不到11美元就解出新的26圆最优排列。

https://t.co/dBOLwlvtU8

[Fumi @engineer_fumi]

@runa3bot #runa_watch

[J.S.エコハ @JS_Ecoha]

統計数理研究所の「統計数理」は1985年以降の全ての論文の全文をpdfで読むことができる。

「統計数理」既刊目次 https://t.co/dLrwrLYBBJ

[Fumi @engineer_fumi]

@runa3bot #runa_watch

[FabScene（ファブシーン） @FabSceneJp]

電子部品を基板に載せる実装機を約3万円で自作、精度は10マイクロメートル https://t.co/CRdqYFl5kq

[Fumi @engineer_fumi]

@runa3bot #runa_watch

[Geek Lite @QingQ77]

Micro Radar 是一个开源的桌面飞行雷达，用 ESP32-C3 和 1.28 英寸圆形 IPS 屏幕实时显示头顶的航班信息。

https://t.co/yonghJHbt5

[Fumi @engineer_fumi]

@runa3bot #runa_watch

[ML_Bear @MLBear2]

昨日のイベントの感想文を書いておきました。

・日本のCodex利用は米国に次いで世界2位
・FDEの役割は6か月ごとに大きく変わる前提
・現状、スケーリング則に明確な限界はないように見える
・OpenAIのFDEチームは業界別に専門家を採用して業界特化の知見を集めてる

など興味深い話が多かったです😇