ほみ

スポーツ走行すき。美浜:47.2, 作手:31.0, yz 37.3, モータランド鈴鹿: 48.5。車載比較アプリ→

[ほみ @homing_fd2]

好みの形状の峠道を運転できるアプリがあったら使いたい人いますかー？
公開されてる道路データを使えば、一般道の「高中低速コーナー」「ストレート」「上り・下り区間」「周辺の民家の数」「交差点」などを判定できるので、その情報から自分好みの峠を選んで運転体験できるアプリを作ろうとしてます

[ほみ @homing_fd2]

@onoken_ge8 パールめちゃくちゃ綺麗で気に入ってます！

[ほみ @homing_fd2]

ホイール変えました✌️
@onoken_ge8 さんから譲っていただきました

[ほみ @homing_fd2]

フロントを8j+28から7j+35に変えたらファーリングめちゃくちゃいい。
クイックでなんか車体も軽く感じる

[IORI KIMURA - 木村偉織 @IoriRacing]

【拡散希望】

私所有のHonda NSX（NA1）の所在が現在確認できておりません。

最後に車を停めたのはタイムズ品川プリンスホテルメインタワーに9時半頃ですが、最後にAirTagにて位置情報が確認できたのは15時22分に関東運輸局群馬運輸支局です。

車両特徴
・ナンバー 世田谷 314 ゆ 113
・91年式 NA1
・赤色 フォーミュラレッド (ルーフも同色塗装しているのが特徴です)
・RAYS PRODRIVE 17インチホイール 白色
・6速仕様
・無限3連メーター

警察へ被害届を提出し、現在捜査・対応いただいております。

既にナンバープレートが変更されている可能性も視野に入れております。
お見かけになった方、情報をお持ちの方はDMにてご連絡ください。

特に群馬県近郊および北関東エリアの皆さま、NSXオーナーの皆さま、車関係者の皆さま、情報拡散にご協力いただけますと幸いです。

大切な車です。

皆さま拡散のご協力を何卒よろしくお願いいたします。

[ほみ @homing_fd2]

誰も近寄りたくなくなる防犯モードをツクッタ

[タイガー @taiga916122]

会社の先輩の車が盗難されました。

■車種：日産スカイラインGTR(R32)
■日時：2026年5月25日　0時〜7時の間
■被害場所：ルートイン結城
■ナンバー：相模　301 や　11-69
■特徴：左前のホイールキャップが無い

見かけた方いましたら情報をいただけると幸いです。

[ほみ @homing_fd2]

@akihiro0717ip 動力系は怖いのでやらないつもりです！

[ほみ @homing_fd2]

フィットをハックしてライト類とかホーンとかを任意操作できるようにしてみた。
なにか面白い事ができる予感がする

[ほみ @homing_fd2]

@tom_fd2 ありがとうございます！

[Andrej Karpathy @karpathy]

LLM Knowledge Bases

Something I'm finding very useful recently: using LLMs to build personal knowledge bases for various topics of research interest. In this way, a large fraction of my recent token throughput is going less into manipulating code, and more into manipulating knowledge (stored as markdown and images). The latest LLMs are quite good at it. So:

Data ingest:
I index source documents (articles, papers, repos, datasets, images, etc.) into a raw/ directory, then I use an LLM to incrementally "compile" a wiki, which is just a collection of .md files in a directory structure. The wiki includes summaries of all the data in raw/, backlinks, and then it categorizes data into concepts, writes articles for them, and links them all. To convert web articles into .md files I like to use the Obsidian Web Clipper extension, and then I also use a hotkey to download all the related images to local so that my LLM can easily reference them.

IDE:
I use Obsidian as the IDE "frontend" where I can view the raw data, the the compiled wiki, and the derived visualizations. Important to note that the LLM writes and maintains all of the data of the wiki, I rarely touch it directly. I've played with a few Obsidian plugins to render and view data in other ways (e.g. Marp for slides).

Q&A:
Where things get interesting is that once your wiki is big enough (e.g. mine on some recent research is ~100 articles and ~400K words), you can ask your LLM agent all kinds of complex questions against the wiki, and it will go off, research the answers, etc. I thought I had to reach for fancy RAG, but the LLM has been pretty good about auto-maintaining index files and brief summaries of all the documents and it reads all the important related data fairly easily at this ~small scale.

Output:
Instead of getting answers in text/terminal, I like to have it render markdown files for me, or slide shows (Marp format), or matplotlib images, all of which I then view again in Obsidian. You can imagine many other visual output formats depending on the query. Often, I end up "filing" the outputs back into the wiki to enhance it for further queries. So my own explorations and queries always "add up" in the knowledge base.

Linting:
I've run some LLM "health checks" over the wiki to e.g. find inconsistent data, impute missing data (with web searchers), find interesting connections for new article candidates, etc., to incrementally clean up the wiki and enhance its overall data integrity. The LLMs are quite good at suggesting further questions to ask and look into.

Extra tools:
I find myself developing additional tools to process the data, e.g. I vibe coded a small and naive search engine over the wiki, which I both use directly (in a web ui), but more often I want to hand it off to an LLM via CLI as a tool for larger queries.

Further explorations:
As the repo grows, the natural desire is to also think about synthetic data generation + finetuning to have your LLM "know" the data in its weights instead of just context windows.

TLDR: raw data from a given number of sources is collected, then compiled by an LLM into a .md wiki, then operated on by various CLIs by the LLM to do Q&A and to incrementally enhance the wiki, and all of it viewable in Obsidian. You rarely ever write or edit the wiki manually, it's the domain of the LLM. I think there is room here for an incredible new product instead of a hacky collection of scripts.

[ほみ @homing_fd2]

フィット gk rs 中期 メーター裏32pinのcan信号メモっとく。
21 白 f-can hi
22 赤 f-can lo
23 ピンク b-can hi
24 青 b-can lo

[ほみ @homing_fd2]

ポルシェの営業カー？かっこいい

[ほみ @homing_fd2]

te37とrpf1rsを融合させたらdadっぽくなった。

[ほみ @homing_fd2]

車載動画を加速度と連動させて傾けたらwipeoutっぽくなった。

[ほみ @homing_fd2]

スマホで加速度とgpsと車載動画撮って可視化してみた。ここまでaiで一瞬で作れるなら分析ツールとかなくてもいいな。

[ほみ @homing_fd2]

twitterに上げたら劣化したのでyoutubeのリンク貼っておく
https://t.co/PLqIV78a6E

[ほみ @homing_fd2]

iphoneってこんな綺麗に撮れるのか。iphone 14pro + アクションモード + 4k + 60fpsで撮影。

[ほみ @homing_fd2]

ヤフオクに汎用品売ってるのか。
https://t.co/ardgmEPzt8

[ほみ @homing_fd2]

フィットのステアリング重ステにしたいなあ。初速センサー誤魔化せば重くなるのかな

[ほみ @homing_fd2]

https://t.co/pcI2ndy1wu

[`ノ @xq_8]

いまだにこれ何か分からんけどステアリング重くできたり軽くできるから外したくない

まじこれ何？笑