← 2026-11-07 の一覧へ戻るホーム
Show HN: エージェントがソースからレゴ機構を推論し、その後それらをアニメーション化する

2026/11/07 4:41

Show HN: エージェントがソースからレゴ機構を推論し、その後それらをアニメーション化する

RSS: https://news.ycombinator.com/rss

元のHacker News記事へ ↗
要約▶

Japanese Translation:

本プロジェクトは人工知能（AI）を活用し、静的な LDraw レゴ®デジタルモデルを Blender 内で複雑なアニメーションに自動的に変換します。これにより、手作業によるリグ付けやフレームごとにアニメーションを作成する必要を排除します。AI エージェントは、基礎となる .mpd 構築コードと注釈を分析して機械的な相互作用を逆エンジニアリングし、コンポーネントの挙動を計画し、対応する 3D ノード上で直接リグを作成して動作を実行するための Python スクリプトを生成します。このプロセスでは、モデルをサブモデルに分割し、メカニズムを個別に理解し、注釈付き glTF ノードを通じてソースデータと 3D ジオメトリを関連付けることを含みます。

インストールには Python 3.12 以上とローカル依存パッケージ（macOS/Linux では git-lfs を含む）が必要で、ホスト OS に汚染を加えずに実行できますが、Windows でのサポートは現在 WSL2 (Ubuntu) に限られています。セットアップ後、ユーザーはシェルプロファイル内に特定の環境変数（例：LDRAW_DIR, BLENDER_BIN）を設定し、ターミナルまたは VS Code を再起動する必要があります。本システムは、コミュニティから提供されたモデルを使用して新たにアセットを生成するのではなく、サンプルとしてのアニメーション化を通じて能力を実証しており、その例にはメルセデス・ベンツのトラッククレーン、飛行機のフライトサイクル、ミニフィギュアの動作カタログが含まれています。

ツールは未だ初期段階であり、柔軟なパーツ（ホースなど）の扱い、現実世界の物理シミュレーション（重力や力の不足）、非常に大規模または複雑なメカニズムにおいてエージェントが追跡を失うなどの制限に直面しています。また、レゴグループから公式に承認されていない非公式ソフトウェアであるため、カスタムシーン作成のための計画自動化および機械学習ワークフローの強力な能力 notwithstanding に、互換性と依存関係の管理はユーザー自身が行う必要があります。

本文

LDraw から Blender アニメーションへ：AI エージェントによるプロジェクト

LDraw の LEGO® モデルを AI エージェントに提供し、Blender でアニメーション化されたバージョンを取得します。

エージェントの役割とタスク

このエージェントは以下のタスクを実行します：

  • .mpd
    ソースファイルから LDraw モデルの機構を**リバースエンジニアリング（推論）**します 🤓
  • 発見した機構の詳細を研究します
  • 異なる機械部品間の相互作用を計画します
  • 最後に、それらの計画を Blender 向けの Python コードに変換し、以下の動作を実現させます：
    • 各機構の制御に必要な**ライグ（ボーン構造）**を作成する
    • 計画通りにアニメーションを実行します！🤯

インストール手順

注意: インストールプロセスでは、ホスト OS を汚染しないよう、すべての必要なツールと依存関係をこのプロジェクトリポジトリのローカルにインストールします。ただし、

.bashrc
や 
.zshrc
などの rc ファイルにいくつかのエクスポート変数を設定する必要があります。Blender などの依存パッケージはデフォルトで 
.gitignore
対象となります。

必須条件: Python 3.12 以上が必要です。

システム要件

プラットフォーム詳細
macOS
git-lfs
（
brew install git-lfs
でインストール）
Linux, x86_64 (開発中・未テスト)
git-lfs
、Blender、LeoCAD、およびグラフィックス関連ライブラリが必要です
Windows (開発中・未テスト)WSL2 (Ubuntu) 内で実行してください

セットアップ手順

リポジトリをクローンし、OS に適したセットアップスクリプトを実行してください：

git clone https://github.com/anteloc/ldraw-mecha.git
cd ldraw-mecha
./setup-macos.sh            # または ./setup-linux.sh, ./setup-win-wsl.sh

セットアップ時にインストールされる項目

アイテムバージョン
uv0.9.3
bun1.4.4
ldraw-annotator0.5.0
ldraw-xray0.5.0
jev-rerank0.5.0
mpd2glb0.9.1
Blender5.2.3
LeoCAD26.09
LDraw パーツライブラリ最新版

エクスポート変数

セットアップの最後には、シェルプロファイル（

.bashrc
、
.zshrc
など）に追加するエクスポート変数のスニペットが提供されます。例如下記のような形式です：

# >>> ldraw-mecha (from setup-macos.sh) >>>
export LDRAW_DIR="/Users/me/ldraw-mecha/data/ldraw"
export LDRAWDIR="$LDRAW_DIR"
export BLENDER_BIN="/Users/me/ldraw-mecha/bin/Blender.app/Contents/MacOS/Blender"
export LEOCAD="/Users/me/ldraw-mecha/bin/LeoCAD.app/Contents/MacOS/LeoCAD"
export LDRAW_XRAY_CACHE="/Users/me/ldraw-mecha/.cache/ldraw-xray"
export LDRAW_ANNOTATOR_DB="/Users/me/ldraw-mecha/data/ldraw-info.db"
# export TYPESAFE_API_KEY=...   # オプション：jev-rerank を使用するための Jev セマンティック検索
# 他のエクスポート変数...
# <<< ldraw-mecha <<<

VS Code やターミナルを使用している場合は、新しく追加された環境変数を反映させるために再起動を行ってください。

使用方法

アニメーション化したい事前注釈付きのモデルを検索・選択するには、以下のコマンドを実行してモデルセレクターを開いてください：

python3 model-selector/serve.py

その後、「プロセスガイド」を参照し、段階的な使用例をご覧ください。

サンプル動画

注意: その他のサンプルは「ギャラリー」にてご覧いただけます。
掲載のアニメーションは、AI が生成したモデルからではなく、オリジナルのモデルから作成されています。

以下は、異なるエージェントによって生成されたアニメーションの一部です。詳細については各サマリーをご覧ください。

42043 メルセデス・ベンツ Arocs フラットベッドトラック

  • エージェント: Claude Sonnet 5.5
  • オリジナルモデル: 
    42043-1_Flatbed-Trailer.mpd
  • コンテキスト: モデルが大きすぎて複雑で、全体的なアニメーションは難しかったため、クレーン部分だけをアニメーションするというソネットの提案を受け入れました。

▶ 動画 · サマリー

3625 ファブラン ドイツ機：離陸・飛行・着陸

  • エージェント: Claude Sonnet 5.5
  • オリジナルモデル: 
    3625-1.mpd
  • コンテキスト: 機体が移動しないよう、インプレース（配置固定）のアニメーションを依頼しました。

▶ 動画 · サマリー

ミニフィグ動作カタログ：10 のミニフィグ×各々 3 つの動き

  • エージェント: Claude Opus 5.5
  • オリジナルモデル: なし
  • コンテキスト: これは複数の異なるミニフィグから生成された合成作品であり、「他のエージェントも参考にするために」ミニフィグのアニメーション方法を解説するための資料として作成されました。

▶ 動画 · サマリー

エージェントの情報源

なぜ、どうやって？

LDraw Nova（LDraw モデルのジェネレーション用 sibling プロジェクト）を公開した後、多くの関係者から「モデルを何らかの方法でアニメーション化できないか」という問い合わせがありました。Nova の開発過程において、.mpd ファイルに特別な注釈を追加し、それをエージェントに提供すると、以下の点が改善されることに気づきました：

  • エージェントが他の異なるモデルの組み立て方を理解するのに役立ちます
  • さらに、モデルがどのように構成されているかの理解も深まります

このことから、**「もしかしたら、エージェントはモデルがどのように動作するかを理解できるかもしれない」**という着想が生まれました。

ソースからの機構のリバースエンジニアリング

その第一歩として、注釈付きのモデルを異なるエージェントに渡し、構成サブモデルを推論させるよう促しました（Haiku 5.5 の実験も参照）。推論実験の結果は非常に良く、かつ異なるエージェント間で一貫性が認められました。さらに次の点も発見しました：多くの推論されたサブモデルが実際に**「機構」**だったことです。

これらの推論された機構について、「実際にはどのように動作するか」と尋ねたところ、パーツの説明に基づいた挙動を記述するという点で、エージェント間でも一貫した結果が得られました！🤯

この時点で以下のことが確認できました：

  • エージェントはモデルをサブモデルと機構に分け、詳細化できます
  • 個々の機構について孤立して理解できます
  • 各機構の動作原理を理解できます

まさに**「分与制覇（Divide and Conquer）」のプロセス**の結果ですね？🤓
これにより、個々の機構の扱いが管理可能になります！🤩

LDraw ソースコードから 3D モデルへのマッピング

さて、機構の動作原理を理解したエージェントに実際にアニメーション化させる手段が必要でした。その当時は Blender MCP を試し運用しており、Blender がプロンプトエンジニアリング用の有力なツールであることに気づきました。LDraw モデルを glTF（

.glb
）形式でインポートし、Blender 内で操作できるようにできるからです。

しかしまだ解決すべき課題がありました： エージェントが理解するリファインされたモデルソースコードから、エージェントが操作できる glTF 形式の等価な 3D モデルへのマッピング方法は？

私が見出した解法は、3D glTF モデルのノードに、ソースコードと同じ注釈を付与することで、エージェントに対し以下の対応を持たせることです：

  • Blender 外：サブモデルやパーツとしてソースコード上で計画（プランニング）🤔
  • Blender 内：glTF モデル上の対応するノードで実行 ✨

パズルを組み合わせて 🙃

こうしてプロセスの草案は完成しましたが、エージェントがそれを実行するためのツール群はまだありませんでした。このプロセスには大量の複雑な幾何学的・空間計算が必要となるため、

ldraw-nova
で作成されたツールセットから新たな Python ツールセットを導出させるようエージェントに指示しました。

私は、最初に簡単なモデルを与え、徐々に複雑なモデルを重ねて提示する形で、この新しい Python ツールセットを反復的に洗練させていきました。

検証のために、エージェントに対し以下のタスクを指示しました：

  1. 注釈付きリファインされた 
    .mpd
    モデルから計画を立てる
  2. それに対応する注釈も付与した glTF 3D バージョンを生成する
  3. Blender にアップロードする
  4. 計画通りモデルをアニメーション化するための Blender Python スクリプトを作成する

そして遂に成功しました！🚀🚀🚀
（ただし完璧ではありません）😜

実験 - Claude Haiku 5.5 のリバースエンジニアリングセッション

プロンプト:

これは LDraw .mpd ファイルから抽出された断片、サブモデルです。これは実行可能コード断片ではなく、LDraw ランゲージで記述された 3D CAD モデル断片のようなものです。このサブモデルが何であるかを推論し、さらにそれをサブモデルに分割してください（最初の行は 

0 FILE
から始めます）：

  • 常に関連性のある意味論的な意味を持たせること
  • 各 
    0 FILE
    の直後の最初の 0 行は、LDraw 標準に従うサブモデルの「説明文」です
  • 各サブモデルについて、人がそのものを観察して説明するような一語で記述を付け加えてください
  • 回答においては、まず親モデル、次に子モデル、そして孫世代、さらに次世代へと順に配置してください（コンテナーまたは親から、被容器または子、その子の子へと進みます）

※注：上記の断片と AI の回答は明瞭にするため要約されており、

curved-hull-section.ldr
や 
hull-shell.ldr
などの論理的機械グループ、およびコンポーネント行への分割というロジックに焦点が当てられています。

元の説明文 

file-01
（単なるファイル名のみ）を実際の一言の説明に置き換え、ルートを 
file-01
から 
curved-hull-section.ldr
に変更しました。もし外部の MPD が 
file-01
を参照している場合は、その参照も更新する必要があります。元の 15 のパーツ行はすべて保持されており、必要であれば 
.mpd
ファイルとしてダウンロードできます。

開発状況

これは非常に **preliminary（初期）**なリリースですが、多くの良い結果をもたらします。ただし、まだ最適化はされていません：

  • 複雑な機構や大規模モデルのアニメーション化には時間と労力がかかります
  • 特にこれらの場合、エージェントは**「ウサギの穴」**にハマったり、アニメーションセッション中に迷子になったりします
  • ホースやケーブルのようなフレキシブルパーツに関するアニメーションが不具合を呈することがあります
  • Claude Haiku 5.5 や GPT-6 Luna といった低エンドモデルもアニメーションを生成できますが、多くに目立つ欠陥があります
  • 物理法則の適切な実装はなく、重力や力相互作用、重量、慣性などを考慮していません

他にもあります…… 🤫

謝辞

以下の皆様にお礼申し上げます：

  • LDraw コミュニティの皆様へ
  • LDView の Travis Cobbs (@tcobbs) 氏と貢献者の方々へ
  • LeoCAD の Leonardo Zide (@leozide) 氏と貢献者の方々へ
  • LDCad と Shadow Library の Roland Melkert 氏へ
  • pyldraw3 の Harold Martin (@hbmartin) 氏と貢献者の方々

……そして、何世代にもわたって自らの最善の成果をパブリックドメインとオープンソースコミュニティに無償で寄贈してくださった多くの他の LDraw クリエイターの皆様に感謝申し上げます！

注意: このプロジェクトでは、多数のソースから LDraw モデル、ライブラリ、ツール、ドキュメントなどを使用しました。多くの方が decades にわたり自らの優れた作品をパブリックドメインやオープンソースコミュニティに寄付してくださり、この分野を支えてくれました。

もしご自身もこのセクションへの記載を検討されている場合は、メールでお知らせください！

商標について

LEGO(R) は LEGO グループの登録商標であり、本ソフトウェアをスポンサーしたり、認可・推奨しているわけではありません。

同じ日のほかのニュース

一覧に戻る →

2026/11/07 4:48

Opus に助けてもらうことができる Jev は、コストを 1/4 に抑えつつ Opus の精度を実現します。

## Japanese Translation: ハイブリッド AI アーキテクチャの識別解決における核心的な利点は、低コストの決定モデルを高精度の frontier モデルと組み合わせることで、トップクラスの性能を維持しながら経費を大幅に削減できる点にあります。誤字や双子、兄弟といった不確実で困難なケースを含むレコードを、Opus などの強力な大規模言語モデル (LLM) にルーティングするこのアプローチにより、スタンドアローンシステムに見られる過信エラーを排除します。個体識別（記録を重複なしに単一の個人にマッピングすること）において、ハイブリッドシステムは全てのレコードに対して高価な frontier モデルを実行する場合に比べ、運用コストを 4 倍以上削減します。Jev や Luna のような決定モデルは、frontier LLM に比べて最大 90 倍も低く、1,000 件のアイデンティティあたり約 0.05〜0.10 ドルで提供され、設定だけで約 0.15 秒で回答を返します。標準的な LLM は日常業務においてレイテンシと高料金を苦にしますが、ハイブリッド戦略は迅速性を保つために安価な決定ツールを活用し、信頼性が低い場合にのみプレミアムモデルを呼び出します。この「2 段階」のアーキテクチャは、困難なデータ課題に対しても堅牢さを保証します。簡単なテストでは Luna が Jev をわずかに上回りますが、難しいベンチマークでは性能差が消え、ハイブリッド Jev はハイブリッド Luna（1,000 件あたり 1.15 ドルで 91.6% の精度）を上回り、2.94 ドル/1k で 95.3% の高精度を達成します。将来の展開においては、高コストモデルのみへの依存よりもこの混合戦略を優先すべきです。それは、大規模データ管理において frontier レベルの精度を実現すると同時に、著しく高速な処理速度と低い財務負荷を提供するからです。テストデータは、ワシントン大学の Institute for Health Metrics and Evaluation から提供される「pseudopeople」ツールを用いて生成され、例示に実際の人物は一切含まれていません。 ## Text to translate: The core advantage of hybrid AI architectures for identity resolution lies in combining low-cost decision models with high-accuracy frontier models to drastically cut expenses while maintaining top-tier performance. By routing uncertain or difficult cases—such as those involving typos, twins, or siblings—to powerful large language models (LLMs) like Opus, this approach eliminates overconfidence errors common in standalone systems. In identity resolution—mapping records to single individuals without overlaps—hybrid systems reduce operational costs by more than four times compared to running expensive frontier models for every record. Decision models such as Jev and Luna are up to 90× cheaper and over 10× faster than frontier LLMs, costing $0.05–$0.10 per 1,000 identities and answering in about 0.15 seconds out of the box. While standard LLMs struggle with latency and high fees on routine tasks, hybrid strategies leverage cheap decision tools for speed, invoking premium models only when confidence is low. This "two-tier" architecture ensures robustness even against difficult data challenges. On easier tests, Luna slightly outperforms Jev, but on harder benchmarks the performance gap disappears and hybrid Jev achieves 95.3% accuracy at $2.94/1k, surpassing hybrid Luna's 91.6% accuracy at $1.15/1k. Future deployments should prioritize this mixed strategy over relying solely on high-cost models, as it delivers frontier-level accuracy with significantly faster processing speeds and lower financial overhead for large-scale data management. Test data was generated using the "pseudopeople" tool from the Institute for Health Metrics and Evaluation at the University of Washington, ensuring no real people appear in examples.

2026/11/07 5:27

AI が AI 研究を劇的に加速している

## Japanese 翻訳: Anthropic の最新の報告書（S1）は、AI の開発が直ちに「責任あるスケーリングポリシー」（RSP）によって定義される臨界点に達することを示しています。この「劇的に加速した進歩」は、AI システムが自身の研究開発を自動化することによって引き起こされており、計算資源またはその他の入力による歴史的な成長率よりも能力向上が 2 倍速く達成されています。深層アクセス調査では、2025 年 10 月から 2026 年 10 月までの間に Anthropic の能力が前年と比較して約 2 倍の速度で進化したことが確認されました。しかし、多くの証拠資料が削除されており、科学的な外部検証を妨げています（研究者は生データを検査したりモデルを検証したりできません）。 AI の自動化は計算リソース乗数で約 2〜3 倍のスピードアップをもたらしますが、そのような進歩のペースを維持するために研究職の労働力を約 4〜9 倍（あるいは最大約 10 倍）増やす必要性を生み出します。国家レベルのデータ窃取を防ぐために設計された現在の安全性基準は、すでに OpenAI や Anthropic という大手企業が breach（突破）しており、分野全体が脆弱化しています。即時かつ堅牢なロギング、監視、共謀への対抗策、原則に基づいたアライメント訓練、ガバナンスインフラの導入を行わない限り、このフィードバックループは 1 年以内に極端な超知能の実現を可能にし、その後進歩を指数関数的に加速させます。もしボトルネックなしで誤整合したシステムがこの状態に至れば、人類文明を圧倒できる新たな兵器を急速に開発することが可能です。したがって、業界は現時点でこれらの不可欠なガバナンス要件を満たしておらず、特定のインフラストラクチャ対策が直ちに導入されない場合、壊滅的な結果につながる高いリスクがあります。

2026/11/07 4:33

ファイアクラッカーVMエスケープ：PwnEscape パート2

## Japanese Translation: 重要なセキュリティの突破が明らかとなり、Firecracker ハイパーバイザーを迂回してホストシステムで完全な root アクセスを取得できることが、CVE-2026-99999 として追跡されています。このエクスプロイトは、拡張ページテーブル（EPT）の解決、ホストのページテーブルへの逆マッピング、ASLR 下でのバイナリに対するイメージマッピング、そしてアクティブな `pt_regs` 構造体の所在を特定する「4 つのリゾルブ段階」に依存し、KVM_RUN から直ちに戻った生きている vCPU スレッドをハイジャックします。この復帰中に保存されたレジスタを変更することで、研究者たちは隔離から脱出し、管理者権限でコードを実行することに成功しました。特筆すべきは、攻撃がペイロードの配信後に一時スタック語を復元する可逆的な手順を含んでいることであり、その結果、Firecracker インスタンスは通常通り実行され続け、SSH アクセスも保持されており、侵害されているにもかかわらず機能的と見なされます。特定バージョンの Firecracker とホストカーネルでテストされたこの概念実証（PoC）は、jailer プロセスを必要とせずに、ホストメモリおよびプロセス制御を直接操作できることを示しており、unjailered インスタンスが脆弱であることを実証しています。

Show HN: エージェントがソースからレゴ機構を推論し、その後それらをアニメーション化する | そっか～ニュース