H retweeted
New on our Science Blog: designing protein binders against scorpion neurotoxins.
Scorpions sting about 1.2m people every year, and antivenoms are often costly or in short supply. Claude has made an early step toward finding new treatments.
anthropic.com/research/claud…
H retweeted
Over the weekend I made a Tesla Roadster game with Opus 5.5.
You can play it here: claude.ai/artifact/U2aPJpwKL….
H retweeted
FLUX 3 MAX直接从视频里获取3D 动作数据。。。再绑定到指定的3D 角色里。。。。。
以后动作捕捉，是不是一个摄像头就可以了。。。。
3D 游戏的制作成本又一次降低。。。。
Prompt → animation at realtime speed 🕺
FLUX 3 Max generates the video, GVHMR pulls clean 3D motion from it on one GPU, and it's retargeted live onto any mixamo character. Fully automated flow!
Open source: github.com/blendi-remade/pro…
H retweeted
BREAKING: Ukraine has carried out the world’s first medical evacuation of a human via a drone from the battlefield the 30th mechanised brigade of Ukraine managed to save their injured comrade from a minefield.
Just absolutely insane.
Wasted 3 days on Codex.... I should have spent 100 credits on Tripo instead...
studio.tripo3d.ai/3d-model/9…
H retweeted
なるほど...と思い、MiniMax-H3-360-Orbitから3DGS作成→Gaussian-VRMで動かすのを試してみた
遠目に見る分には綺麗
1. 全身画像を生成
せっかくなので通常モデリングがめんどくさそうなやつというリクエストで絵を描いてもらう。
編み込みのお団子・花飾り・重ねフリルのキャラクターを、腕を少し開いたAポーズで作成。
2. Colabの環境を準備
必要なライブラリとモデルを取得。モデルの重み約96.8GiBはColab内に保存。
3. 360度動画を生成
MiniMax-H3＋360-Orbit LoRAで、768×768・73フレーム・28ステップの動画を生成。
4. 動画から3DGSを再構成
72枚から背景マスクを作り、PyCOLMAPでカメラ位置を推定。gsplatで8,000ステップ学習。
5. Gaussian-VRM化
Gaussianを骨格付きテンプレートの14個の身体区分に対応付け、約6.2万点・10.4MBの .gvrm に出力。
6. Three.jsの表示アプリで確認
前後左右の表示と、FBXモーションの再生。
対象時間Colabの起動操作〜停止操作:
約34分21秒
動画生成:
本体2分28秒
3DGS学習:
5分24秒（初回CUDAコンパイルを含む）
Codex+Colab CLIで作業は全自動
🤖 Made with AI
The first time I've heard of someone finding a job through LinkedIn.
🔴 Eski CIA görevlisi, Çin’e göndereceği gizli belgeleri taratmak için bir FedEx şubesine girdi.
Belgeleri hafıza kartına aktarttı, kâğıtların imha edilmesi için de para ödedi. Mağazanın güvenlik kamerasındaki bu görüntüler, daha sonra casusluk davasında karşısına çıkacaktı.
Görüntüdeki kişi Kevin Mallory. CIA’de ve Amerikan Savunma İstihbarat Ajansı DIA’da çalışmış, gizli bilgilere erişmiş tecrübeli bir istihbarat görevlisiydi.
2012’de devlet hizmetinden ayrıldı. Yıllar sonra maddi sıkıntıya düştü, konut kredisi ödemelerini aksatmaya başladı.
Şubat 2017’de LinkedIn üzerinden bir mesaj aldı. Kendisini Çinli bir işe alım uzmanı olarak tanıtan kişi, Çin’de danışmanlık yapabileceğini söylüyordu. Ardından Mallory’yi Michael Yang adlı bir adamla tanıştırdı.
Yang, bir düşünce kuruluşunda çalıştığını belirtiyordu. Mallory mart ve nisan aylarında onunla görüşmek için Şanghay’a gitti.
Karşısındakilerin kim olduğunu anlamıştı. Soruşturma sırasında, görüştüğü kişilerin Çin istihbaratı için çalıştığı ve Amerikan devlet sırlarını aradığı kanaatine vardığını kendisi anlattı.
Yine de görüşmeleri sürdürdü.
İkinci seyahatinde Yang ona özel yazılım yüklenmiş bir Samsung telefon verdi. Bu telefonla şifreli yazışmalar yapabilecek ve belge gönderebilecekti. Yang, cihazın nasıl kullanılacağını da gösterdi.
21 Nisan’da ABD’ye döndüğünde Chicago’daki gümrük görevlileri çantasını kontrol etti. Üzerinde 16.500 dolar vardı. Oysa beyan formunda 10.000 dolardan fazla nakit taşımadığını belirtmişti.
Telefon sorulduğunda ise eşine hediye olarak aldığını söyledi.
Birkaç gün sonra evinin yakınındaki FedEx şubesine gitti. Yer, Virginia eyaletindeki Leesburg kentiydi. Videoda görülen işlem burada gerçekleşti.
Mallory, elindeki belgeleri görevliye tarattı ve hafıza kartına kaydettirdi. Kâğıt nüshaları da imha ettirdi. Tarananlar arasında “Gizli” ve “Çok Gizli” dereceli belgeler bulunuyordu.
Soruşturma ilerlediğinde, Çin’den getirilen telefon da FBI tarafından incelendi. Cihazdaki yazışmalar, Mallory ile Yang’ın gizli bilgilerin satışı hakkında konuştuğunu ortaya koydu. ABD Adalet Bakanlığının açıklamasına göre en az iki belge başarıyla gönderilmişti.
Belgelerden biri, ABD’ye bilgi sağlayan insan kaynaklarının kimliklerini belirlemeye yarayabilecek ayrıntılar içeriyordu. Dolayısıyla aktarılan bilgiler, sahada çalışan kişileri de tehlikeye atabilecek nitelikteydi.
Mallory 22 Haziran 2017’de tutuklandı.
Aynı gün evinde yapılan aramada, FedEx’te taratılan belgeleri içeren gizlenmiş bir hafıza kartı bulundu. Kâğıtları ortadan kaldırmıştı ama dijital kopyalar duruyordu.
İki gün sonra cezaevinden ailesini aradı. Gizlediği hafıza kartını aramalarını istedi. Bu görüşme de kaydedildi ve mahkemede dinletildi.
17 Mayıs 2019’da, Çin’e ulusal savunma bilgileri aktarmaya yönelik komplo suçundan 20 yıl hapis cezası aldı.
Mallory’ye ulaşıldığında Amerikan istihbaratından ayrılmasının üzerinden yaklaşık beş yıl geçmişti. Güncel belgelere erişim yetkisi yoktu. Buna rağmen geçmiş görevlerinden kalan bilgiler ve mesleki bağlantıları, onu yabancı bir servis için değerli kılıyordu.
Dosya, istihbarat servislerinin eski çalışanlarla neden ilgilenmeye devam ettiğini gösteriyor. Kurumdan ayrılan bir insanın bildikleri, tanıdığı kişiler ve elinde tuttuğu belgeler, görev süresiyle birlikte ortadan kalkmıyor.
Mallory’nin Çin’le kurduğu ilişkinin başlangıcında bir iş teklifi vardı. Sonunda ise şifreli telefon yazışmaları, evinde bulunan hafıza kartı ve bir FedEx şubesinin güvenlik görüntüleri aynı dava dosyasında birleşti.
H retweeted
【結局、何買っとけばいいんですか！？】
新型Mac Studio 512GB版の登場やRTX5090の終売など、話題が尽きないハード界隈。脳死でポチる前に知っておいてほしい【次世代LLMの2大潮流と、ハードウェア評価の転換】についてまとめました。
長年続いた「LLMはメモリ容量とメモリ帯域（GB/s）が正義！」という常識が、2つの新技術によって大きく変わろうとしています。
──────────────
🔥 1. いま急速に台頭している2つの新技術
──────────────
① Looped Transformer（ループ型トランスフォーマー）
・仕組み：別々の層を何十層も重ねるのではなく「同じ層の塊を何回もループして通過させる」技術。従来の推論モデルのように何千文字も独り言（CoT）を出力してKVキャッシュ（メモリ）をパンクさせるのではなく、文字を出す前の「脳内（潜在空間）」でループ計算して思考を深めます。
・研究の進捗：記憶できる知識量はパラメータ数に依存するため、以前は「推論は強いが知識が足りない」のが課題でした。しかし2026年秋の最新研究（LOOM / SMELT）で「知識は大容量MoEに持たせ、思考はループで深めるハイブリッド型」が確立。さらにループの遅さを並列検証で最大6.8倍高速化する手法（LoopSpec）も登場し、実用化が一気に現実味を帯びています。
② Diffusion LLM（拡散言語モデル）
・仕組み：左から右へ1文字ずつ順番に出すのではなく、画像生成AIのように「数百トークンの塊（ブロック）を一気に並列で浮かび上がらせる」技術。
・研究の進捗：すでにvLLMへ公式統合（DiffusionGemma）され、シングルGPUで秒間1,000トークン超え（Mercury 2）を実現。全体構造を見渡して一括生成するため、コーディングやJSON生成で既存のLLMを圧倒し始めています。
──────────────
⚡ 2. メモリ容量・帯域・演算力の役割はどう変わる？
──────────────
従来のLLMは「1文字出すたびにメモリから重みを読み込む」ため、プロンプトを読む最初の一瞬（TTFT）以外は、GPUの計算力（TFLOPS）が遊んでおり、メモリ帯域（GB/s）だけがボトルネックでした。
しかし、同じ重みをL2キャッシュ内で何度も回す「Looped」や、数百文字を同時に行列計算する「Diffusion」では、文章を生成している最中もずっと【GPUの純粋な演算力（TFLOPS / Tensorコア）】をフル消費します。
つまり、「メモリは広くて大きいけど、行列演算力（TFLOPS）は控えめ」なハードウェアは、次世代モデルでは速度が出にくくなります。
──────────────
🤖 3. エージェント時代の到来と「機材の適材適所」
──────────────
この進化を踏まえると、今後のローカルAI環境は以下のような「分業体制」が今よりも顕著になる可能性があります。
・親（オーケストレーター）：全体の世界観と知識をベースに計画を立てる司令塔。知識量は依然、パラメータ数で決まるため、ここには【大容量メモリ＋適度な演算力】が必要。
・子（サブエージェント）：切り出されたタスク（コード生成、論理検証、ツール操作）をこなす実動部隊。ここには知識量よりも、コンパクトなLoopedモデルやDiffusionモデルを爆速で回す【省メモリ＋圧倒的な演算力（TFLOPS）】が必要。
これを現在の主要ハードウェアに当てはめると、立ち位置がクッキリ分かれます👇
🔹 Mac Studio (256GB / 512GB)
巨大な世界観を持つ「オーケストレーター」を常駐させる母艦としては最高峰。ただ、LoopedやDiffusionのような演算ゴリゴリのモデルではTFLOPS不足が向かい風になるため、これ1台で次世代の高速推論まですべて万能にこなすのは難しくなります。
🔹 RTX 5090 (32GB)
今は「VRAM 32GBの壁」で悩ましい場面もありますが、今後大化けする筆頭です。省メモリなLoopedモデルやDiffusion LLMが普及すると、32GBの枠内で3.35 PFLOPSの演算力と96MB L2キャッシュを100%解放できる「最強のサブエージェント実行機」になります。
🔹 DGX Spark (128GB)
273GB/sの帯域の狭さがネックでしたが、メモリ読み込み回数を減らして演算器（1 PFLOPS）を回すLooped / Diffusion環境では弱点が緩和され、評価が大きく上がります。
🔹 RTX PRO 6000 Blackwell (96GB)
96GBのVRAM容量、1.79TB/sの帯域、3.8 PFLOPSの演算力を兼ね備え、司令塔からサブエージェントまで1枚で高次元にこなす。現状でもTop Tierの計算資源ですが、更に評価が上がります。
「自分が欲しいのは、巨大な知識を抱える司令塔（大容量メモリ）なのか、それとも次世代の推論・生成を爆速で回すエンジン（高演算GPU）なのか」
この視点を持っておくと、まもなく登場するMac Studio 512GBをはじめとする機材選びで、数年後も後悔しない選択ができるはずです！
個人的には、NVIDIAが演算力の高いチップ供給を意図的に絞りはじめたのは、LLMのアーキテクチャ変化を見越して、民間に大きな力を渡しすぎないように、という米国の意向と密接に関係しているような気がしてなりません。
──────────────
📌 注：機材選びにあたっての留意点
──────────────
なお、上記は現時点の研究動向から見立てた「ひとつの仮説・意見」です。以下の要因によってシナリオが変わる可能性もあるため、あらかじめご留意ください。
1. 実用化の壁：今後の検証でスケーリングの限界が見つかり、従来のLayer型（自己回帰MoE）の天下が想定以上に長く続く可能性。
2. クローズド化のリスク：技術が完成しても企業のAPI内部だけで秘匿され、ローカルで動かせるオープンウェイト（OSS）として公開されない可能性。
3. 推論ソフト側の壁：llama.cppやvLLM、MLXなどのローカル推論エンジン側で最適化が進まず、ハードの演算力をフルに引き出せない期間が長引く可能性。
4. 既存技術の進化：超低ビット量子化やソフト側の改良により、現行モデルのままメモリ帯域や演算力のボトルネックが緩和される可能性。
どの技術が最終的に覇権を握るにせよ「自分がローカルAIで何をしたいか」が一番大切です。高い買い物ですので、ぜひ一つの視点として参考にしてみてください！
#地元のLLM #MacStudio #RTX5090
H retweeted
I've spent years in China building robots. I can tell you this playbook won't work:
Pre-seed $: Invent the ultimate actuator.
Seed $$: Figure out mass production.
The hard part isn't inventing a beautiful topology. It's process engineering.
The real delta between the US and China is the ability to execute the enormous amount of physical x mental work required to iterate thousands of times on product designs and manufacturing processes. Partly because much of the tacit knowledge / management systems has left the US, but also because of the sheer human labor required.
This isn't something you can solve by buying traditional automation lines either. It requires:
1. Ideation driven by human intuition. Walking up and down the line, talking to assembly workers, and developing hypotheses about what and where improvements can be made. Raw human hours and attention spent understanding a specific manufacturing process.
2. Large batches of experiments across multiple variables. Coordinating experiments that can easily involve 50+ people, issuing instructions, and tracking the execution and results of each experiment.
3. Purpose-built test design to identify key metrics. For example, a change in gear hobbing profile might require accelerated aging tests on a dyno, while a change in bearing tolerance might require NVH testing.
4. Data + human intuition-driven analysis. Interpreting test results and deciding whether to implement a process change or run the next set of experiments.
5. Strict process control. Reissuing work instructions to the line and ensuring every process is followed to the letter.
The best manufacturers in Asia, from Foxconn to TSMC, have built their competitive advantage on systematically turning thousands of physical experiments into better manufacturing processes.
Their moat isn't just production scale. It's the organizational machinery that makes manufacturing learn and improve faster than anyone else.
I don't think most people in SF clock this.
Say you're manufacturing actuator gears in-house in the US. After you've made your first article, will you hire a team of 10 process engineers to coordinate the 50 technicians running concurrent experiments with designs, processes, and materials?
To understand wear patterns across every pin in a cycloidal drive after 10,000 hours? To reduce backlash from 15 arcmin to 5, then to 1? Just to keep pace with China's progress over the next few years?
Do you have the skill set and management systems in place to do this?
That's why our approach isn't just to automate manufacturing. It's to automate the process of learning how to manufacture better.
Automate simulation and design optimization.
Automate assembly and physical testing.
Automate the design and execution of process experiments.
Feed real-world experimental data back into simulation to continuously improve sim-to-real accuracy.
The goal is to turn what currently takes 50 engineers coordinating thousands of experiments into a closed-loop system that continuously learns and improves.
Then the same robotic line mass-manufactures the product.
PS: Coming back to actuator design, many actuator designs are already commoditized in China. The project in the video is open source, and CNC machining cost in China is just $27 (watch the video).
I hope people understand this reality. I'll link more examples in the replies.
