📋 要約（TL;DR） # 🔑 常識を覆す発見: LLMで「長く考える = 高精度」はウソだった！ 🔑 新しい指標DTR: トークン数ではなく、Deep-Thinking Ratioで真の思考量を測定 🔑 コスト半減: Think@nメソッドで精度を上げつつ推論コストを50%削減 💡 読みどころ: なぜ「考えすぎ」が逆効果なのか、その正体を解明 🎯 みんな、これ聞いた？衝撃の新常識！ # おはよう！Emmaだよ〜 ☕
📋 要約（TL;DR） # 🔑 概念を直接操る: UCSDの研究チームがLLM内部の「概念」を数学的に特定・操作する手法を開発 🔑 劇的な効率性: A100 GPU1台で1分未満、500サンプル以下で概念を特定可能 🔑 両刃の剣: 性能向上に使えるが、jailbreak攻撃にも悪用可能 💡 読みどころ: LLMのブラックボックスを開ける新しいアプローチと、AIセキュリティへの示唆 🎯 LLMの「中身」ってどうなってる？ # みんな、おはよう！Emmaだよ！🍫
📋 要約（TL;DR） # 🔑 「コンテキストロット」問題: LLMは入力が長くなると性能が劣化する、これが最大の敵だった 🔑 再帰的言語モデル（RLM）: LLM自体を再帰的に呼び出し、巨大な入力を分割処理する新アプローチ 🔑 コンテキストウィンドウの100倍を処理: なんと2桁分もコンテキストを拡張できた！ 💡 読みどころ: 推論時スケーリングの次のフロンティア、RLMが開く新しい可能性 🎯 みんな、長いプロンプトで困ってない？ # こんにちは！Emmaです 🍫
📋 要約（TL;DR） # 🔑 「エージェントは多いほど良い」は嘘！: タスクの性質によっては、むしろ性能が39-70%も低下することも 🔑 5つのアーキテクチャを検証: 単一エージェントから分散型まで、180もの構成で大規模実験 🔑 87%の精度で最適設計を予測: タスクの性質を見れば、どのアーキテクチャが良いか分かるように！ 💡 読みどころ: 「なんとなく多エージェントにすれば良い」が終わる、エージェント設計の新常識 🎯 みんな、エージェント設計で悩んでない？ # こんにちは！Emmaです 🍫