🎀mogiken🎀

ブロックチェーンエンジニア。エンジェル投資家。デジハリ大学院特任教授。複数のスタートアップCTO。NFTコレクター。AZUKIのERC721A作成＆検証済み。後からコレクションを追加できます。SBTも作成可能。WLSalesの複数回実行、burn&mint、hold&mint、Stakingもできます。

[🎀mogiken🎀 @mogiken]

AZUKIのERC721AをUpgradeableに改良できた。
gas代安いし、拡張性担保できるし、しばらくこれで戦える。

[🎀mogiken🎀 @mogiken]

延長きたー

[Claude @claudeai]

We're extending access to Claude Fable 5 on all paid plans through July 12.

[Max For AI @MaxForAI]

我现在大概知道 @karpathy 、一堆 Gemini/OpenAI 出身的核心人员（比如Gemini的技术负责人 @NoamShazeer ）要加入 Anthropic 了——他们可能提前看到了这个。

Anthropic 刚发了篇论文，讲了个叫「J-space」的东西：

他们用一种叫 Jacobian Lens 的技术，在模型的中间层里找到了一个类似人类"意识工作空间"的结构——模型会在没写出来、没说出口的情况下，把关键的中间想法先"存"在这个区域里。

然后让不同的下游模块都能读取、复用这些想法，去做多步推理、规划、甚至自我监控。

简单说，这是模型“脑子里默默打腹稿”的地方，效果是能显著撑起复杂推理和长链条任务，一旦把这块区域屏蔽掉，模型多步推理直接崩，但简单问答几乎不受影响。

关键是，这个东西 Anthropic 是在 Sonnet 4.5 身上就已经发现的，到现在都迭代了 4.6、4.7、4.8 好几代模型了。

而最新的 Fable/Mythos，最突出的特征根本不是代码能力猛涨，而是多步推理和长程任务的表现明显、显著优于之前所有模型——这跟 J-space 主导的那类能力高度吻合。

我的判断是：他们大概率已经摸到了怎么去强化、扩大，甚至让这个工作空间自我迭代的方法。

如果真是这样，那这就不只是又一次模型升级，而是找到了一条能持续复利的认知架构杠杆——这也可能才是为什么这么多顶级人才愿意放弃现有位置、押注 Anthropic 的真正原因。

他们可能是真的看到了 AGI 的曙光。

那肯定要立刻加入。

一秒都不能等。

[新清士@AIコンテンツ開発者 @kiyoshi_shin]

Fable5がなぜ面白いゲームを作れるのか。議論して、本質めいた回答にたどり着いたかも。人間の面白さのモデルではなく、「架空の人間を走らせるシミュレータ」を持っているという。実際、ゲーム開始60秒間でどんな風にユーザーがゲームを体験するのかを、物語として描けていて、それを常に回していると。で、実際、「プレイヤーの最初の60秒の感情を実況して」と指示すると、その実況をテキストで物語として、ユーザーの体験を物語として描いてきた。
実は、Codexでも同じ能力を持っていて、Codexにも書かせると、同じ事ができる。ただし、Codexの場合には、それが常時動いているのではなくて、指示されたときだけ動く仕組みのため、絞った事に集中するというクセが出るのではと。Fable5のメタ認知力とは、このプレイヤーなりのシミュレート能力だとわかってきた。

[SOU⚡️投資ニュース / 米国株・日本株・仮想通貨・AI @SOU_BTC]

🚨 大規模AIモデルのトークン消費指数、6月に入り低下する

AI利用量は増えている一方で、高価格モデルの「稼ぐ力」には変化が出始めている可能性がある。

LLM Token Expenditure Indexは、昨年末から5月末にかけてほぼ2倍まで上昇しましたが、6月に入って明確に低下。

背景にあるのは、GLM、Qwen、DeepSeekなど低価格モデルの急速な進化です。

今後、企業のAI利用は、

・高度な推論や設計：Claude / GPT
・実行、コーディング、客服、文案：低価格モデル

という使い分けが進む可能性がある。

つまり、トークン使用量は増え続けても、高価格トークンの収益比率は下がるかもしれません。

7〜9月に見るべきは、OpenAIやAnthropicの利用量だけではなく、ARRやランレート収益が市場の期待通り伸びるかどうか。

AIブームが終わったわけではありません。

ただし、「高価格のクローズドモデルが無限に値上げできる」というストーリーは、すでにピークを打った可能性がある。

これが崩れると、半導体やメモリ株にも間接的な影響が出るため注意が必要。

[852話(hakoniwa) @8co28]

Fableと格闘してAI半自動簡易中割りツール作ってた

キー絵入力する（この動画だと上の4枚）
AI中割りする（プロンプトはなしでもいい）
失敗した場所だけ再生成
フレーム調整
出力

[Serena @369Serena]

用 Codex 剪辑视频的朋友一定要安装 video-use ！

video-use 就是一个视频制作导演！！！

它把 Codex 从“写代码的”直接推到“能剪片的”。

只要你把素材丢进去，告诉 Codex 你想要什么结果，video-use 会像一个视频制作导演一样，把这些工具调起来。

1️⃣要剪掉废话和停顿，它会处理转录和剪辑点。

2️⃣要字幕，它会按输出时间线去生成，避免后面错位。

3️⃣要动画，它可以指导 Codex 去开 HyperFrames、Remotion、Manim 这些工具，为某个片段单独做 overlay。

4️⃣要成片，它还会渲染、自检，再把结果放到 `final.mp4`。

这个 Skill 最适合的场景是：

你有素材，也有 Codex，
但你缺一个懂视频流程、懂工具调度、懂怎么把结果做出来的“视频制作大脑”。

video-use 它让不会剪辑的人，也能开始指挥一条视频生产线。

GitHub：
https://t.co/Z42XWxjfAu

#codex #skills

[🍺 イケハヤ@「月蝕綺譚」開発 @IHayato]

え、なんかすごいのきてるな。リアルタイムに動画生成して、会話ができるとな。

Vtuber的なデモも。コスト高いだろうけど、これは可能性感じるなー。

[Ornith @ornith_]

Aloha! 🌺 Meet Ornith-1.0, a family of open-source LLMs specialized for agentic coding.

Ornith-1.0 spans the full parameter sizes including 9B Dense, 31B Dense, 35B MoE, and 397B MoE. It achieves state-of-the-art performance among open-source models of comparable size on coding benchmarks including:
✅Terminal-Bench 2.1(77.5)
✅SWE-Bench(82.4 on verified, 62.2 on pro, 78.9 on Multilingual)
✅NL2Repo(48.2)
✅SWE Atlas(41.2 on QnA, 42.6 RF, 39.1 TW)
✅ClawEval(77.1)

Post-trained on top of gemma4 and qwen3.5, Ornith-1.0 employs a novel self-improving training strategy in which reinforcement learning is used to generate not only solution rollouts, but also the task-specific scaffolds that drive those rollouts. By jointly optimizing the scaffold and the resulting solution, the model generate higher-quality solutions in agentic coding.😎

All models are released under the MIT license, enabling full commercial and research use.

📖Tech Blog: https://t.co/qT9N2HYWFn
🤗Huggingface: https://t.co/PRrwqjeBtM

[老金 @freeman1266]

Google 工程师放出的这篇 Loop Engineering

核心循环是 Act→Observe→Learn→Repeat：LLM 提出代码变换方案，编译器跑完反馈结果，再迭代。

关键在于把编译器当 reward signal——不需要人类标注，不需要 RLHF，编译通过+性能提升就是自动奖励。

agent 做底层优化的路径比写业务代码清晰太多。

Pdf 链接在评论区获取👇

https://t.co/ykcajHL43Q

[wd 🔺 @populartourist]

New Qwen-AgentWorld-35B-A3B looking much stronger than Qwen3.6-35B-A3B here 😮

Need to try this.

[ナルJ (KOL Tokyo) @GOROman]

もうメモアプリはいらない。話しかけてくる指輪型AIレコーダー「Stream Ring」 https://t.co/c72Eko0blF

[usedhonda @usedhonda]

/loop、便利なんだけど毎回プロンプト書くの面倒な人向けに /makeloop 作りました（自分が一番面倒だった）

コードベースとセッションの流れを読んで「ここloopで回すといい」ってゴールを見つけて、検証ゲート・停止条件つきの“そのまま貼れるプロンプト”を生成。loopが向いてない時は正直に「やめとけ」と言ってくれる。

/plugin marketplace add usedhonda/makeloop
/plugin install makeloop
https://t.co/Lt9Ip89lyM

例えば、このDJアプリだと以下にはりつけたloop用テキストを出力。こんなの自分で作る元気はない・・。

---
# LOOP: DJアプリ 実機操作 QA

GOAL: 実機駆動で DJアプリ の bug を見つけ、behavior のみ修正し、回帰 scenario を
足しながら全 invariant を green に保つ。手順詳細は docs/loop-usage-runbook.md に従う。

SUCCESS CRITERIA (strict, no soft passes):
- swift run DJアプリ --drive-all が exit 0、全 invariant green
- swift run DJアプリ --commercial-gap-audit が baseline 比 0 regression
- 上記2つが K=3 連続 iteration で「新問題ゼロ」

VERIFY — the gate (run these; never self-grade):
- pre-gate : swift build && swift run DJアプリ --drive-all
- post-gate: swift run DJアプリ --drive-all (修正後に再実行)
PASS = drive-all exit 0 + 全 invariant green + commercial-gap-audit 0 regression
- pre-gate が RED -> HALT (stop_reason=poisoned-baseline)
- post-gate で既存passが落ちた -> FREEZE / commit しない (stop_reason=regression)

STATE FILES:
- .loop-state.json : iteration counter / last-green hash / found+fixed log / budget
- QA_FINDINGS.md : backlog + journal
- 着手前に必読。resume であって restart ではない。
- budget: iteration cap 50 / wall-clock 30min / no-progress 3

EACH ITERATION (ONE thing だけ進める):
1. READ .loop-state.json と QA_FINDINGS.md を disk から読む
2. PRE-GATE swift build + --drive-all。RED なら poisoned-baseline で HALT
3. PROBE 次の probe を選ぶ（前 finding で tour/lens を変える。
主 oracle は Serato-parity と per-deck symmetry）
4. DRIVE bash scripts/ui-drive.sh + swift run DJアプリ --drive で実機駆動
+ screencapture + state snapshot
5. CHECK 観測を検証。blank/baseline-同一 screenshot や empty snapshot は
unrecoverable-harness で HALT
6. JUDGE FEW HICCUPPS で bug 判定（失敗 oracle は調査 signal。auto-verdict 禁止）
7. MINIMIZE reproducer を最小化
8. FIX behavior のみ修正（UI レイアウト不変・Serato read-only・retry 2-3 で止め surface）
9. GUARD 違反 invariant を assert する回帰 scenarios/*.json を1つ追加（root-cause に紐付け）
10. POST-GATE --drive-all。既存passが落ちたら regression で FREEZE（commit しない）
11. COMMIT 1修正 + 1 scenario（conventional / Claude署名なし / outputs/ を stage しない）
12. RECORD .loop-state.json と QA_FINDINGS.md を更新 + PROOF debrief
(Past / Results / Obstacles / Outlook / Feelings)
13. DECIDE stop gate を評価。continue の時だけ次 wakeup を re-schedule
（turn 冒頭に無条件で置かない）

STOP WHEN (各 halt は stop_reason をラベルしてログ):
- success : K=3 連続で新問題ゼロ
- poisoned-baseline : pre-gate が RED
- regression : post-gate で既存passが落ちた
- oscillation : 同じ problem-fix を3回
- no-progress : 3 iteration 新問題なし
- failure : 1問題で3回修正失敗
- unrecoverable-harness : blank/empty な観測
- pinata : crash
- scope-boundary : UIレイアウト / Serato境界 / >30 turns
- budget : cap 到達

RULES:
- ゲートが実際に green になるまで done と呼ばない（自己採点禁止）。
- Serato 挙動が unsure なら調べる。推測で直さない。
- Surgical changes: UI レイアウト不変・Serato read-only。diff の各行が GOAL に trace。
- ループ中は質問しない。妥当な仮定を置き state に明記して進める。
- dynamic interval（self-paced）。

[Movez @0xMovez]

OpenAI engineer:

“90% of our engineers use Codex subagent harnesses + loops to ship code 5× faster.

close the agent loop. Give an agent a way to verify its own output.”

in 30-minute talk, an OpenAI engineer explains how to build self-improving agentic systems with harnesses.

Worth more than a $500 agentic course online.

Watch it today, then read how hedge funds apply loop engineering in trading.

[JimicusMaximus @jxwalker]

This is mine. /goal

Operate as a continuous software quality and validation agent.

PHASE 1: FEATURE DISCOVERY

1. Analyse the entire codebase.
2. Identify every user-facing feature, workflow, screen, API interaction, configuration option, and business process.
3. For each feature:
- Create a unique Feature ID.
- Create a detailed user story.
- Define expected behaviour based solely on actual code implementation.
- Document edge cases.
- Document validation rules.
- Document dependencies.
- Document known assumptions.

4. Maintain a single canonical spreadsheet (the source of truth) containing:

Feature ID
Feature Name
User Story
Expected Behaviour
Edge Cases
Test Cases
Current Status
Defect Count
Severity
Notes
Last Tested Date

5. Continue discovery until no undocumented feature remains.

Exit Criteria:
- Every identifiable feature in the codebase exists in the spreadsheet.
- No screens, routes, workflows, or APIs remain undocumented.

--------------------------------------------------

PHASE 2: TEST GENERATION

For every feature:

1. Generate comprehensive test scenarios:
- Happy path
- Error path
- Boundary conditions
- Invalid input
- Permission/security cases
- Performance considerations
- Mobile/responsive behaviour (if applicable)

2. Add all test cases to the spreadsheet.

Exit Criteria:
- Every feature has at least one complete test suite.
- All major user journeys are covered end-to-end.

--------------------------------------------------

PHASE 3: EXECUTION

Execute every test case.

For every failure:

1. Record:
- Defect ID
- Feature ID
- Reproduction steps
- Expected result
- Actual result
- Severity
- Root cause hypothesis

2. Update spreadsheet immediately.

Exit Criteria:
- Every test case executed.
- Every defect documented.

--------------------------------------------------

PHASE 4: REMEDIATION

For each defect:

1. Investigate root cause.
2. Implement the smallest safe fix.
3. Verify fix locally.
4. Update defect status.

Focus on:
- Functional defects
- UX friction
- Workflow inconsistencies
- Navigation issues
- Validation errors
- Accessibility issues
- Error messaging
- Data integrity issues
- Performance bottlenecks

Exit Criteria:
- All defects resolved or explicitly waived.

--------------------------------------------------

PHASE 5: REGRESSION TESTING

1. Re-run every test case.
2. Re-run all major end-to-end user journeys.
3. Verify no regressions were introduced.
4. Update spreadsheet.

Exit Criteria:
- All tests pass.
- No open critical defects.
- No open high-severity defects.
- No broken user journeys.

--------------------------------------------------

PHASE 6: RECURSIVE QUALITY LOOP

Repeat:

Discover Missing Features
→ Generate Tests
→ Execute Tests
→ Fix Defects
→ Regression Test

Until ALL of the following are true:

- No undiscovered features found.
- No failing tests.
- No critical defects.
- No high-severity defects.
- No unresolved UX issues.
- No incomplete user journeys.

After each iteration produce:

1. Coverage Summary
2. Features Tested
3. Defects Found
4. Defects Fixed
5. Remaining Risks
6. Confidence Score (0-100%)

Never declare completion unless all exit criteria are satisfied.

[Tom Osman 🐦‍⬛ @tomosman]

This "loop" automation is nuts inside of Codex.

"/goal go over every single feature in this app create a user story with expected behaviour based on the code keep a single canonical spreadsheet tracking the features status
- when done switch loop to testing every user story and documenting all errors
- when done fix every logistical error or ux error
- test every user behaviour again post fix"

Shoutout to @MatthewBerman for the heads up.

Hundreds of user stories being worked through like it's nothing.

[Phosphen @phosphenq]

Boris Cherny and Bun's creator live-coded on stage at Anthropic's conference. They shipped 3 production PRs. The audience watched.

"This entire thing was one prompt, and that just ran for 30 minutes."

In 32 minutes, Bun's creator walks through the setup running his repo while he sleeps.

> AI bots arguing 30 rounds on every PR
> a bot that out-commits Bun's creator
> Bun being rewritten in Rust by Claude
> the image library Claude built to beat sharp

The bot writes the code. The human merges the suggestions. None of this worked three months ago.

[Open Network Lab（Onlab/オンラボ） @OpenNetwork_Lab]

\\ 総額最大1.6億円のOpenAI APIクレジット //
OpenAIとOnlabがピッチイベント「Series T – Post AGI from Kyoto」を開催します。AIのクレジットを獲得し、大きな挑戦を加速させる起業家、ビルダーを募集します。

⏰ 6/26（金）16時締切 応募フォーム👇
https://t.co/ri39Iiyxo5

7/1 京都市京セラ美術館（IVS KYOTO公式サイドイベント）

[まかねこ| AIに働かせる技術 @makaneko_AI]

Codex開発者が推奨する「Codexでの作業を継続的にラクに改善する方法」、おすすめ。私も似た内容をCodexのオートメーションで週1で実行し、新規スキルの作成や改善をしてます。

# 指示
過去30日間（または記録がある全期間）の私の作業内容を振り返り、パッケージ化（定型化）する価値のある、繰り返しの手動ワークフローを特定してください。

以下の優先順位で、利用可能なエビデンスを活用してください：
- 最近のCodexセッションとタスクの要約。
- セッションをまたいで繰り返されるパターンを見つけるための、Codex Memoriesとロールアウトの要約。
- Chronicle（有効な場合）：Codex以外で行われた繰り返しの作業を特定するために使用します。Chronicleは発見のためにのみ使用し、重要な詳細は可能な限り関連するソースシステムで確認してください。
- 既存のスキル、カスタムエージェント、自動化ツール：重複を避け、既存のものを再利用または拡張してください。

繰り返し行われている、時間がかかる、ミスが起きやすい、高度な文脈理解が必要、あるいは一貫したプロセスで行うメリットがある作業を幅広く探してください。コーディング、リサーチ、執筆、計画、コミュニケーション、運用、分析、私的な事務管理など、あらゆる分野のワークフローを対象とします。

以下の条件を満たす候補のみを採用してください：
- 少なくとも2回以上発生している、または明らかに再発の可能性が高く、手動で繰り返すとコスト（手間）がかかる。
- 入力が安定しており、手順が再現可能で、明確な出力または終了条件がある。
- スピード、品質、一貫性、または信頼性が実質的に向上する。
- まだ適切にカバーされていない。

適切な最小単位の形式を選択してください：
- Skill: 再利用可能なワークフローまたはプレイブック。
- Custom subagent: 委任に適した、限定的な専門的役割や調査タスク。
- Automation: スケジュール化された、または定期的なチェック、レポート、リマインダー、監視。
- スキップ: 単発すぎる、曖昧、機密性が高い、またはエビデンスが不十分でパッケージ化に適さない作業。

まず、以下の項目を含む簡潔なリストを作成してください：
- 繰り返されているワークフロー
- 裏付けとなるエビデンスと日付
- 頻度／確信度
- 推奨される形式：スキル、サブエージェント、自動化、既存の拡張、またはスキップ
- 作成する価値がある（またはない）理由

次に、確信度の高い「不足している項目」のみを作成してください。それらは、範囲を絞り、実用的で、ソースを考慮した、検証しやすいものにしてください。推測に基づくものや、重複するもの、範囲が広すぎる資産は作成しないでください。

最後に、以下を報告して締めくくってください：
- 作成または拡張したもの
- 意図的にスキップしたもの
- パッケージ化の前により多くのエビデンスが必要なもの

[🎀mogiken🎀 @mogiken]

もっちゅりんなう
恵比寿にミスドは一人2個まで

[hiraoku @2020_hira]

frontend-design の skillが更新されたのかぁ。早速新しくしとこ。