Tokou

Kyoto univ M1 システム開発と強化学習が好きです. キャリア模索中...

[Harris @harris_p10]

Biggest ways working in big tech (instagram) has changed in practice in the last 12 months:
- Nearly no handwritten code. i haven't written a single line by hand since March and have shipped features to 100 million+ users.
- Human code review has become rare to non-existent. mainly because it's impossible to keep up. i predict in 2 years we'll look at python the way we look at assembly today.
- Little time on roadmap prioritization. why choose the *best 5* of the 10 projects when you can test all 10 and 3 more you didn't think of before.
- Meeting time has significantly reduced. the opportunity cost of useless meetings is way higher than before.

curious if this matches what others are seeing. will share next what hasn't changed or got worse.

[asahi @ashunar0]

個人開発はCloudflareにすべて賭けろ https://t.co/zIg3Picg7K

#speakerdeck
#テック文化祭_findy

この後の登壇資料です！！どう考えても喋りきれないのでこちらもご覧下さい！

[市川 達大@TECH WORLD @tech_world18]

久々の登壇で楽しかったです。ありがとうございました！

こちら資料です。

「{最高のエンジニア人生}の作り方」
https://t.co/sv8aXMK0ck

[堀義人 @YoshitoHori]

日本も15歳未満のSNS利用制限し、同様にAI使用も制限するべきだと思う。

FTの記事では、PISAの試験で読解力の下落が最も大きかったのが日本だった。日本の未来を背負う子供達に読書に触れ、難しい問題を解き、友達と交流する等、心身と頭脳を鍛錬する機会を与え続けることが僕ら大人の責務だと思う。

[Sam Altman @sama]

I agree with Dario that we need to pace the frontier. This has been a primary topic of discussions we've had at OpenAI in recent weeks.

Committing to having independent evaluators with employee-like access is a great idea, and we will do the same. We'll have more to share soon.

[Bloomberg @business]

Japanese startup Preferred Networks is seeking to go public to mass-produce its chips, a reflection of the rising cost and scale needed to stay relevant in a global AI race https://t.co/fuC4dAOIcQ

[Karun Singh @karun1710]

We're hiring a Research Engineer at @Arsenal ⚽🔴⚪ to work directly with our Men's First Team!

We're building state-of-the-art AI models for the football domain. This role will focus on building the application layer for our research to advance coaching and analysis workflows.

[zaru @zaru]

SlackのE2Eテストの実験結果。Playwright MCPの方がCLIよりもトークン消費量も少なく、テスト自体も安定して動くとのこと。逆だと思ってた。

https://t.co/Z3bJawqSHm

[Arena.ai @arena]

Big news: Kimi-K3 by @Kimi_Moonshot is now #1 in the Frontend Code Arena with 1679 pts, surpassing Claude Fable 5.

This is a 17-place jump from Kimi-k2.6 (#18 -> #1).

In Frontend, Kimi-K3 ranked #1 in 6 of 7 domains: Brand & Marketing, Reference-Based Design, Data & Analytics, Consumer Product, Simulations, and Content Creation Tools, landing #2 only in Gaming behind Fable 5.

The full model weights will be released by July 27.

Congrats to the @Kimi_Moonshot team on this major milestone!

[増田 亨 @masuda220]

機能要件を定義するには、業務要件の定義が必要

[ClaudeDevs @ClaudeDevs]

https://t.co/v694m8Eaj6

[yuki @helloyuki_]

これはいろんなところで言われている話だけど、エージェントによる成果物に対する「理解負債」が今新しいボトルネックになりつつある。エージェントは検証能力も高まりつつあり、開発を仮に結構任せたとしてもミスもだんだんしにくくなりつつある中で、人はどうやって開発に参加していくか？というと、それは起こったことを理解することにあると🤔

で、じゃあどうやって理解負債を防ぐか？の具体的なプラクティスが紹介されている:
1. 理解を促すわかりやすいHTMLなりNotionを用意する
2. 直感的に内部を細かく理解できるツールをコーディングエージェントに作ってもらう（記事内だとPrologインタプリタ用のデバッガやゲームを作ってもらっていた）
3. エージェントにNotion上にプランを立ててもらってみんなで議論する
など。

Understanding is the new bottleneck
https://t.co/X55bxTAQW7

[細田耕 @KohHosoda]

アメリカのシステムと比較して、京大の行く末を見たポスト。参考になるが、京大のデパートメント制は米のそれとは違うシステムにならざるを得ないだろう

[たか@RUNTEQ60期 @Taka60a]

AIエージェント時代のターミナルマルチプレクサ「herdr」にtmuxから乗り換えた｜Tocyuki | CTO@ スタディポケット https://t.co/FapyXPz7ho #zenn

えー週末で使ってみよう。自分もいろんな画面をチラチラみる生活してた

[chikitam @ AnotherBall / Avvy @chikitam_]

久しぶりに読んでこれだなと。

> 最高の意思決定をするために、集合知で助けて欲しい。

合議で決めたいわけではないけれど、 集合知で助けてほしい。_pmconf_2024 https://t.co/W1tr2jFXlR

#speakerdeck

[柴田 淳 - 「みんなのPython」の著者・機械学習講師 @ats]

GitHubは「Stacked PR（積み重ね型プルリクエスト）」をネイティブ機能として提供し始めました。1つの大きな機能開発を複数の小さなPRへ分割し、それらの依存関係をGitHubが理解することで、レビュー、CI、マージ、リベースを一貫して管理できるようになります。レビュー担当者はスタック全体を把握しながら、各PRを独立して確認できるため、大規模変更でもレビュー品質を維持しやすくなります。

ローカルでの運用は gh stack CLIが支援しますが、CLIは必須ではありません。GitHubのWeb UIやAPIだけでもスタックを扱える設計となっており、CIは最終マージ先を基準に実行され、途中のPRをまとめてマージした場合も残りのPRは自動的にリベースされます。従来必要だった複雑なGit操作をGitHub側が吸収することを目指しています。

これまでGitHubでは、「PRは独立した単位」という前提がありました。そのため、大きな機能追加では巨大なPRになるか、多数のブランチ管理や手作業のリベースに悩まされるかのどちらかでした。Stacked PRは、複数のPRを1つの開発ストーリーとしてGitHub自身が理解するようになった点が本質です。

さらに重要なのは、GitHubが単なるGitホスティングサービスから、開発プロセスそのものを管理するプラットフォームへ踏み込んでいることです。CI、レビュー、マージ戦略、ブランチ保護まで含めて「こう開発するのが自然」というワークフローを提供するようになっています。

加えて、「AI Agent Integration」が最初から紹介されている点も象徴的です。AIエージェントが大きな変更を自動で小さなPR群へ分割し、人間は各レイヤーをレビューするという流れを前提に設計されています。人間がGitを操作するための機能というより、AIと人間が共同開発するための基盤へ進化しようとしていることが読み取れます。

https://t.co/JXF90oFdZr

[上野山勝也 | パークシャテクノロジーCEO @KatsuyaUenoyama]

社内でとあるジュニアチームに
「AI利用を禁止」してみた所、数ヶ月で
成長スピードが上がり、能力が向上する、
という面白い事が起き始めている

AI / 生産性向上ツールが、人の成長にブレーキをかけず、如何に人材の成長を加速させるか、は近未来大切なテーマ。

[Kante Takahashi @kante0123]

Sim2Realが解けたら一気にロボットが社会に出てくる、みたいな空気があるけど、自分はそこに半分しか乗れていません。

MuJoCoで歩行や把持のポリシーを回して、ドメインランダマイゼーションで摩擦係数や質量を振って実機に転移する。あの転移時の絶望が年々マシになってるのは肌で感じます。Go2で出した歩容が思ったより素直に動いたときは、ああ確かにここは進んだな、と。

でも現場に入れて本当に詰まるのは、そこじゃないんですよね。

点検ロボを実フィールドに置くと、最初に躓くのが「電源どこから取るんだ」とか「通信が建屋の奥で死ぬ」とか、ポリシーの賢さと一ミリも関係ないところです。誰がメンテして、誰が責任持って、夜中にトラブったとき誰が現地に飛ぶのか。Sim2Realは「動く」は解いてくれるけど、「運用が回る」は一個も解いてくれません。

で、自分が今いちばんボトルネックだと思ってるのはデータの偏りです。シミュレータで無限にエピソードを回せても、本当に欲しいのは廃炉の特定の配管の、特定の劣化の、滅多に起きない異常時みたいな、シミュレートしようがない長い尾の方なんです。ここはランダマイゼーションでは埋まらない。現場に出して、失敗して、ログを溜めて、また回す。この飛輪を誰より速く回せるかが勝負で、結局アルゴリズムの優劣より実装現場の数で決まる気がしています。

だから自分は本体の知能で米中と殴り合うより、外装と運用とデータが溜まる場所を押さえにいってます。Sim2Realが解けた後の世界ほど、泥臭い運用とニッチな現場データを持ってる側が強い。

間違ってるかもしれません。ただ、毎日現場で手を動かしてる感触はそう言ってます。

[minicoohei.eth @minicoohei]

Cursorをエディタだと思っている人結構いるんだな

デザインに強い、クラウド実行やテストの整備も強い、ロングラン用のエージェントハーネスですよ！

あとComposer2.5は早くて安くて正確な良モデル

ファイルも見れるし、デバッグにも強いし、オートメーションもできる

スマホアプリもできた

すごいな

[Sakana AI @SakanaAILabs]

Introducing DiffusionBlocks: Block-wise Neural Network Training via Diffusion Interpretation

https://t.co/c9AvsRKybj

What if we didn’t have to hold an entire neural network in memory to train it?

Standard neural net training optimizes all parameters jointly. As a result, the memory required during training grows linearly with the depth of the network.

In our #ICLR2026 paper, we propose DiffusionBlocks, a principled framework to train networks one block at a time, drastically reducing memory requirements while matching end-to-end performance.

With DiffusionBlocks, we split the network into blocks and train them one at a time, so you only need memory for a single block.

How? We explicitly assign each block a role: to move the representation a little closer to the target than the block before it did. That role turns out to be precisely what a diffusion model does, step by step. Each block only needs to optimize its own objective and can be trained independently.

We validated this across five different architectures:

• ViT
• DiT
• Masked diffusion
• Autoregressive transformers
• Recurrent-depth transformers

In each case, performance is competitive with end-to-end training while using a fraction of the memory.

This perspective also extends naturally to recurrent-depth (Looped) transformers, which apply the same network iteratively and normally require expensive backpropagation through time (BPTT). Viewed through DiffusionBlocks, we can replace those multiple iterations with a single forward pass during training.

Read our paper and code, to learn more.

Paper: https://t.co/CRj96VGYQn
GitHub: https://t.co/eNW0K9Xh8E
🐟