与「尾﨑アナも新潟出身」相关的搜索结果

#NGT48# の #佐藤海里# さん #大塚七海# さんに出演いただきました✨ リフレッシュポーズもありがとうございます😊 少しの勇気を出してぜひオーディションへ #石川テレビ# #尾﨑アナも新潟出身#

モーニングこんぱす ありがとうございました🫶 昨日の一日警察署長の様子も流れましたね！ 今週の日曜の睦沢町のイベントも楽しみ！ 晴れてくれ〜☀️ 今日のハイライトは尾﨑さんと同じ日に同じ場所でお花見してたこと…😳ビックリ

木曜日初のモーニングこんぱすでした☺️ 毎週2日連続になりますが木曜日も見てくださいね〜！ 泉水さんのいる安心感すごい☺️🫶笑 私と泉水さんが木曜日に入ってきたのに、この写真完全に尾﨑さんをお迎えしてる感じになっちゃいました(笑)

🎥「＃ガールズドライブ 」はYouTubeチャンネルでレンタルがスタートしています。 🎞️こちらからも視聴できます！🎦 レンタル300円より 公式グッズ ＃小栗有以 #倉野尾成美# ＃山内瑞葵 ＃山﨑空 ＃久保姫菜乃 ＃AKB48

⋱創刊11周年⋰ 『IDOL FILE FESTIVAL 2025』 ￣￣￣￣￣￣￣￣￣￣￣￣￣ 🎥ファッションステージのダイジェスト映像🎬 スタイリング、メイクをした誌面の撮影時にしか見れないアイドルさん。その姿をみなさんに生で見て欲しく、新しい試みとしてイベントの中にファッションステージを開催しました！別で誌面用の撮影終了！Vol.38、Vol.39に掲載します！お楽しみに。 出演モデル： ＜Vol.38（11月21発売号・表紙掲載）＞ 秋吉優花（HKT48）@akiyoshi_hkt48 栗原紗英（HKT48）@38sae_kurihara 森﨑冴彩（HKT48）@saachan_saaya ＜Vol.39（12月発売号掲載）＞ 葵音琴（月に足跡を残した少女達は一体何を見たのか...）@tsukiato_neko アスミマインド（GREAT MONKEYS）@asumi_rocks アルティメット ミキ（SOMOSOMO）@SOMO2_miki 尾上美月（すべての瞬間は君だった。）@onoue_mizuki 川畑綾理（ルージュブック）@rougebook_ayari 神崎ひな（まねきケチャ）@kanzakihina0109 キュウ（ハチキュウ）@YW89_9 楠森しゅり（HAPPY CREATORS）@shuri_hpcr 熊澤風花（Task have Fun）@Task_fuuka 齋藤有紗（ラフ×ラフ）@saito_arisa_ 里仲菜月（Task have Fun）@Task_Natsuki 白岡今日花（Task have Fun）@Task_kyoka2 鈴木Mob.（煌めき☆アンフォレント）@MMGJP_mob スミイチバン（the mishmash）@sumi1_rocks 高梨結（ラフ×ラフ）@yui_takanashi__ 灯子（8°世界が変われば）@tomorico_8ware 豊永阿紀（HKT48）@aki_toyonaga 永松波留（ラフ×ラフ）@nagamatsu_haru ハチ（ハチキュウ）@YW89_8 花澤そら（Malcolm Mask McLaren）@sora___MMM ゆうゆ（SCRAMBLE SMILE）@yuuyu_scramble 六椛（INUWASI）@RIKKA_INWS 益田珠希（マジカル・パンチライン）@TamakiMasudaBox マヒロチャン（GREAT MONKEYS）@mahiro_rocks モナ・ミダレ（始発待ちアンダーグラウンド）@midare_482 梁瀬鈴雅（HKT48）@reia_hkt48 吉澤悠華（マジカル・パンチライン）@Haru_Yoshizawa 📣11月21日(金)までニコ生で見逃し配信中📣 ✨IDOL FILE FESTIVAL 2025✨ を独占生中継❣️ #IDOLFILE# 番組はコチラ▼

｡ﾟﾟ･｡･ﾟﾟ｡ ﾟ。#AKB48_65thシングル# 　ﾟ･｡･ 4月2日(水)発売決定🍰ིྀ𓌈˒˒ 18期研究生 八木愛月がAKB48史上初❕ 研究生でセンターを務めます👑 初選抜は 坂川陽香・伊藤百花 ・花田藍衣 の3名🧸❣︎ 20周年イヤー第1弾となるニューシングル🆕♡ 続報をお楽しみに❕🗞️ ▶︎▶︎選抜メンバー16名◀︎◀︎ センター👑 #八木愛月# @azuki_yagi0322 #倉野尾成美# @Kuranoo_Narumi_ #小栗有以# @yuiyui_maromaro #山内瑞葵# @MizukiYamauchi #佐藤綺星# @airi_sato0624 #千葉恵里# @erii_20031027 #村山彩希# @yuirii_murayama #向井地美音# @mionnn_48 #水島美結# @miyuu_mizushima #山﨑空# @sorara_akb48 #秋山由奈# @yunachan_akb48 #平田侑希# @yuki_hirata0903 #大盛真歩# @akb48_maho #坂川陽香# @Hiyuka_1007 #伊藤百花# @momoka_ito1206 #花田藍衣# @mei_hanada

格闘漫画界の両雄、『刃牙』シリーズと『ケンガンアシュラ』のドリームコラボッッ!! 『#範馬刃牙VSケンガンアシュラ』OP映像公開👊👊# 熱戦を力強く飛翔させるOP主題歌は #新しい学校のリーダーズ「Fly# High」!! 💥キャスト 範馬刃牙：島﨑信長 範馬勇次郎：大塚明夫 花山薫：江口拓也 ジャック・ハンマー：三宅健太 徳川光成：麦人 愚地独歩：菅生隆之 渋川剛気：島田敏 烈海王：小山力也 ビスケット・オリバ：大塚芳忠 ピクル：草尾毅 愚地克巳：川原慶久 加藤清澄：勝杏里 柴千春：鈴木達央 郭海皇：緒方賢一 寂海王：青山穣 鎬紅葉：成田剣 ガイア：村瀬歩 十鬼蛇王馬：鈴木達央 黒木玄斎：玄田哲章 鎧塚サーパイン：檜山修之 呉雷庵：松岡禎丞 山下一夫：チョー 秋山楓：内山夕実 片原滅堂：柴田秀勝 加納アギト：大塚明夫 阿古谷清秋：小山力也 ムテバ・ギゼンガ：楠大典 ユリウス・ラインホルト：白熊寛嗣 初見泉：蓮池龍三 今井コスモ：榎木淳弥 アダム・ダッドリー：堀井茶渡 ガオラン・ウォンサワット：津田健次郎 関林ジュン：稲田徹 英はじめ：石田彰 吉沢心美：前川涼子 片原鞘香：平田真菜 ジェリー・タイソン：マシューまさるバロン ナレーション 古谷徹　立木文彦

刘欢原本是在自己的母校国际关系学院任教，后来跟校领导闹得不太愉快，便主动辞职，应聘去了对外经贸大学当老师。他在那边教的课程是西方音乐史。这是刘欢的校友、自媒体博主黄教授发文透露的 问题也随之而来。对外经贸大学的王牌学科是国际经济与贸易、金融学、法学、会计学、外国语言文学、国际商务和数字贸易。刘欢教的音乐学科，不是对外经贸大学的主流专业课，只属于全校公共美育选修课，是学生可选可不选的通识课，仅此而已 可就是这么一门“可有可无”的选修课，却成了全校最抢手的课。300个名额，700多人抢，教务处老师站在门口查验听课票据，这阵仗在贸大独一份。一所财经外语类大学，王牌专业全跟钱和法沾边，最火的课偏偏是个教音乐史的。这事搁谁身上不得琢磨琢磨，到底什么课才算“有用”。 刘欢在国关那几年，其实挺憋屈的。1985年从国际关系学院法语专业毕业留校，白天管学生，晚上进录音棚，两头都不耽误。可国关的领导容不下他的“走穴”行为。那会儿他已经靠《心中的太阳》《少年壮志不言愁》红遍全国了，87%的国人认识他那张脸，可学校看他不顺眼。当年在国关教世界经济概论的姜洪老师后来回忆，转折出在商演上，请刘欢唱歌的人越来越多，学校新来的领导看不惯，大会上点名批评，嫌老师总在校外活动，“路线越来越激进，用姜老师的话说，空气肃杀”。说白了，体制内有体制内的规矩，你一个大学老师整天跑出去唱歌，像话吗。1991年，刘欢走了，去了对外经贸大学。 换个地方，换了种活法。贸大给了他一样东西：容得下。 前校长陈准民说得特别直白：“我们希望学生全面发展，有高尚趣味、现代审美，不只是会做生意。我们希望学生首先人格健全，其次才是掌握技能。经济上的技能，比如怎么做贸易、怎么炒股票、怎么做证券，这些都是次要的，更重要的是人格健全。”这话放到今天的大学里，有几个校长敢说。 刘欢的课不用课件，一支粉笔一节课。作品、年代、人名全凭口述，几国语言的专业术语随口切换，下课铃响，内容刚好讲完。英语、法语、德语、意大利语的花体字，一笔一划工工整整，学生坐在下面看得啧啧称奇。这不是糊弄，这是真下了功夫的人才能做到的。 他还拒绝在课上唱《好汉歌》。学生起哄让他来一段，他说得很清楚：“站在这里，我就是最普通的老师。”课堂不是舞台，不唱歌，不照相。一个全国人民都认得嗓子的人，硬是把明星身份按在了教室门外。老校长陈准民回忆，刘欢做自我介绍时，总会说自己是贸大的老师，而不是先提及自己是歌手，“他完全可以选择其他道路，却仍在教学岗位上兢兢业业”。 三十二年，刘欢在贸大的职称栏从头到尾就俩字：副教授。没论文，没课题，没项目。高校评教授要什么，核心期刊、国家级课题、项目经费，他一样没有。教的是公共美育课，财经类大学教音乐，不在主干学科，没有硕博点，评审表上根本无处可填。刘欢自己说得也直白——“没有发表教授标准的核心期刊论文”。以他的人脉和资源，找几个同行挂个名、攒几本教材、申几个课题，评个教授不是难事。他不干。不是评不上，是那套秤跟他不在一个秤盘上。 刘欢生前最后一次公开活动，是亲自下厨为学生做红烧肉。2023年退休那天，他悄悄退了工作群，没发朋友圈，只留了一张黑板照片，板书最后一行写着“下课”。最后一课他没有说再见，只是笑了笑：“别送花了，下次路过琴房，听见谁弹错和弦，替我提醒一句就行。” 当年国关容不下一个爱唱歌的老师，贸大容下了一个愿意教书的音乐家。谁高谁低，一目了然。刘欢退休后，他的《西方音乐史》再也没有了。那间能坐三百多人的阶梯教室，再也不会有教务处老师站在门口查票了。说到底，能教会学生算账的学校随处可见，可愿意支持一位老师把他痴迷的内容讲授一辈子的学校，实在少之又少。

Modal @modal 这份「GPU 术语手册」做的太友好了，它把整个 GPU 技术栈拆成四个相互勾连的层面：设备硬件、设备软件（执行模型）、主机软件（驱动与工具链）、性能分析，每个词条都密集交叉链接，既可以按需查阅单个术语，也可以从头到尾线性通读。 理解这份手册从「CUDA」开始，CUDA 有三重含义：一种设备架构、一个并行编程模型、一个软件平台。这份手册的四个章节恰好分别展开这三个含义加上性能分析。 GPU Glossary 四个章节： 1. 设备硬件：GPU 的物理解剖 - CPU 用复杂核心避免延迟，GPU 用海量简单线程隐藏延迟 2. 设备软件：CUDA 的执行模型 - 线程层级、内存层级、硬件三层严格同构，程序员亲手管理内存 3. 主机软件：驱动、工具链与库 - Runtime 包着 Driver，闭源库拿来即用，CUTLASS 一系负责构造自己的 kernel 4. 性能分析：完整诊断链 - 定瓶颈 → roofline 定性 → 利用率定位 → warp 机制 → 访存模式 → 资源约束 这三句总结很到位 GPU 的本质是“单周期切换海量简单线程来隐藏延迟”；编程的本质是“沿线程-内存-硬件的同构层级，把数据在正确的层级间搬运，把算术强度做到岭点以上”；性能工程的本质是“沿诊断链逐层定位，用 Little 定律算够并发，不为中间指标（如占用率）本身而优化。

NVIDIA 发布 Skill2Env：用“集体技能”强化智能体 NVIDIA 研究者们把社区公开的 Agent Skills 编译成可执行 RL 训练环境的数据流水线：3.4k 个 Skills 变成 8k 个带程序化测试和行为量规的终端任务；仅 300 步 RL 训练就让 Qwen3.8-27B 在 Terminal-Bench 2.1 上提升 4.7 个百分点，且模型行为显著向源 Skills 的方法论对齐。 开源项目： 核心洞察：公开 Agent Skills 是一个被忽视的监督来源 Agent Skills 是“教智能体做某件事”的文件夹：一个 SKILL.md 加上可选的脚本、参考资料和资产。论文指出，把公开 Skill 语料当作数据来读，它同时提供三样东西： · 任务分布的采样：人们真正想让智能体处理的任务分布（有人愿意花时间写下工作流，说明这活儿值得自动化）； · 真实世界的锚点：指向真实的仓库、数据集、工具和工件； · 结果测试表达不了的质量标准：领域专长、默认参数、常见坑、“好结果长什么样”。 # 数据流水线：四阶段编译，验证靠构造 1. Plan（分解）：容器化的 Codex 规划器读取完整 Skill 包、联网调研相关公共资产，把 Skill 拆解成若干可验证的 workflow，每个附带元计划（场景、初始世界、预埋缺陷、难点来源、解法草案、验证策略）、资产建议和“任务轴池”（任务原型 × 验证器模式 × 人物画像）。 2. Diversify（多样化）：宿主从轴池采样一组组合，加上复杂度、指令语气、请求者专业水平。关键设计是轴池以 workflow 为条件：研究型 workflow 配“证据可追溯”验证和研究者画像，而不是从全轴乘积空间乱抽，这让多样化保持 sensible。 3. Create（构造）：全新创建者 Codex agent 在 Docker 内工作，尽可能用真实素材（钉在特定 commit 的开源仓库、真实版本化文档、官方 API 规范）；需要联网服务的场景改造成本地替身（stub 服务器、录制回放 fixture、PATH 上的假 CLI、种子数据库），求解时绝不依赖网络。创建顺序被严格固定：先建世界 → 写指令 → 写测试 → 写量规 → 最后才写参考解，测试先于解法冻结，保证解法必须迁就评分契约而非反过来。 4. Verify（验证）：宿主端无模型参与的接收门：静态检查（布局、符号链接、Dockerfile 安全、基础镜像按内容摘要钉死）+ 两个容器内试跑：Oracle（参考解）必须全指标满分，NOP（什么都不做的 agent）必须全指标零分。任一失败即拒绝。 值得注意的一个反直觉选择：不做 teacher 模型预验证（不像部分工作用强模型试解、解不出就丢弃任务）。理由有二：这会把任务难度上限压到验证器能力，且成本翻倍；而 group-based RL 的在线动态过滤（rollout 无优势的 prompt 自动不产生梯度）天然淘汰过难/过易任务。 # 数据画像：广、贵、且忠实于源 规模与成本：7,971 个任务，用 GPT-5.6 Sol（xhigh 推理档）生成，API 花费超 9 万美元。（脚注：出于法律原因，公开发布的数据集改用 Kimi-K3-max 在同一流水线下生成。） 领域分布：13 个领域中，软件工程仅占 22.5%，AI/ML 10.5%，商业/金融/法律/HR 10.5%，营销 9.3%……论文对比了 TMax-15K、Terminal-Bench、DeepSWE 等，Skill2Env 是唯一全覆盖 13 域、且非技术知识工作占大头的语料。 忠实度探针（很聪明的设计）：用任务指令+量规作查询、对 3.4k 个 SKILL.md 做 TF-IDF 检索，73.2% 的任务 top-1 命中真实源 Skill，94.6% 进 top-10（随机 0.03%）。单用量规也有 68.5% top-1，证明量规携带的是 Skill 专属方法论而非泛泛建议。 SFT 数据：用 GLM-5.3 对每个任务 rollout 两次，得到 15,968 条轨迹，平均奖励 0.74，中位轨迹 19 次模型调用 + 23 次工具调用。 S2EBench：考虑到公开基准饱和，从 SkillHub 另外生成、逐条人工审核（指令无歧义、忠实于源 Skill、测试公允）后的 79 任务私有 held-out 基准。 # RL 实验：基础设施 + 极简配方 基础设施（论文明确说“现代 agentic RL 首先是基础设施挑战”）：Molt（PyTorch 原生全异步训练，Ray + vLLM + FSDP2）+ Polar（agent rollout 层：rootless Apptainer 沙箱、代理回传 token ID 和采样时 log-prob、prefix merging 把 harness 的多次补全缝合成训练轨迹）。 配方（刻意走“简单路线”）：GRPO 组归一优势 + DPPO 的 binary-KL 信任域掩码（δ=0.05，超出阈值的 token 直接丢弃，无需参考模型，还能防训练-推理失配）；G=8 rollouts/组，批 64，lr 1e-6 恒定，无 KL 惩罚、无熵奖励、无 SFT 热启动，每任务 65k 上下文。 量规校准奖励：开量规时，额外由 GPT-6 Astra 做 LLM-as-Judge（带“宪法”：惩罚无脑循环、reward hacking、答非所问；hacking 实证 = -5 分），总奖励 r = r_V + λs/5（λ=0.2），即 judge 最多把程序化奖励拉动 ±0.2。量规是校准可执行结果奖励，而非取代它，这是与“Rubrics as Rewards”一系的定位差异。 # 四项发现（论文最有信息量的部分） 发现 1：小规模 RL 即有跨域迁移。 仅 300 步、只用 2,400 任务子集训一个 epoch：S2EBench pass@1 +4.3（均分 +18.5），Terminal-Bench 2.1 +4.7（49.4→54.1）。训练集与 TB 无重叠（13-gram Jaccard < 0.8），且训练集从未针对 TB 调过，论文将其解读为规划、工具使用、收尾能力的通用提升而非任务族记忆。这让 27B 本地模型显著缩小了与云端前沿模型的差距。 发现 2：量规校准 RL 在基准上落后于纯结果 RL，一个诚实的负结果。 量规版在 TB 2.1 只有 50.1（纯结果版 54.1）；训练中量规版的程序化奖励长期停在 0.5–0.6，judge 分项从头到尾无上升趋势，两个奖励在训练分布上互相拉扯。论文不把它当作对量规奖励的终审判决（两者优化不同目标，而基准只考结果那一半），并给出两个疑因：λ=0.2 的加性形式让失败任务仍能拿正奖励、judge 看不到文件系统等设定均未调优；以及更本质的，Skill 写下的方法论可能本来就不是最大化基准通过率的分布。 发现 3：行为确实向 Skill 对齐，量规的价值所在。 200 个任务的成对偏好测试（judge 拿源 SKILL.md 当标准，比较匿名化的 base 与 RL 轨迹）：纯结果 RL 已被偏好 54.5% vs 33.5%；量规版被偏好 73.0% vs 24.0%。这说明量规奖励买到的东西在结果基准上看不见，但对“怎么做事”影响实质，对网页开发、报告综合、开放研究这类难验证任务尤其重要。 发现 4：GLM-5.3 蒸馏 SFT 反而伤害 Qwen。 在 GLM-5.3 轨迹上做 SFT：27B 上 TB 2.1 掉到 45.8；4B 上直接崩塌（TB 18.7→3.4，出现思维/工具调用死循环）。归因：教师的 interleaved-thinking + 工具调用风格与学生自身 post-training 不兼容，模仿覆盖了学生依赖的行为模式却带不来教师的能力。与 TMax 报告的“SFT 混合数据劣化已后训练的 Qwen”互相印证。因此论文所有 RL 结果都从未修改的原始 checkpoint 出发。