2026-05-11 追記: はてブで認識率が低いと指摘を受け正しく計測し直したところ Hybrid は 99.94% (実測で字単位の誤読ゼロ近傍)、NDL 単独でも 99.49% に達していました。当初掲載値 (NDL 95.84% / Hybrid 96.23%) は、(1) 正解テキストに含まれていた空文字 (約108文字) を本文と同列に採点していた、(2) 全角・半角の表記差 (１↔1、ＣＥＯ↔CEO 等) を誤読扱いしていた、の2点で過小評価でした。本文のみ・NFKC正規化後で再計算しています。 課題 手元にあるビジネス書1冊 (縦書き和文、120ページ分) のページ画像をテキスト化したかった。 入力は PNG 120 枚 (1ページ=1ファイル)、解像度は十分にきれい。図表はほぼなく、文章メイン。 「専用OCR」「ローカルLLM」「両者の併用」の3手法を実装し、文字精度・処

Google Chromeはユーザーの端末上でAI処理を行うための「オンデバイスAI」をPCにダウンロードしています。ChromeはオンデバイスAIについて「データをGoogleサーバーに送信することなく、デバイス上で直接実行されるAIモデルを使用できます」と記載していましたが、2026年5月5日にリリースされたChrome 148でこの説明が削除されていると報告され話題になっています。 Chrome removes claim of On-device Al not sending data to Google Servers. : chrome https://old.reddit.com/r/chrome/comments/1t5qayz/chrome_removes_claim_of_ondevice_al_not_sending/ Chrome Deleted Its Own P

今日も元気にXを徘徊していたところ、どこにも公開していないサイトなのにめちゃくちゃアクセスが来るというポストがあり、そういえばCT Logとかもウォッチされてるしな。とつぶやいたところ まとめがあるといいな、とのコメントをいただいたので簡単にまとめてみました。（なお当該のポストはCT Log経由の攻撃と断定されているものではありません。）あくまで私が思い出しただけの話ですが、普通に来ますからね。 httpsサイトを新規公開するとすぐに攻撃botがやってきます 大事なことなのでもう一度いいます ステージングでも仲間内だけのページでもやってきます 見出し記法の濫用すみません。今回は注意喚起の側面が強いので、まずは何が起こりうるかを知ってもらうために最初に書きました。 botはやってきて何をするのか？単純にめちゃくちゃアクセスしてきます。サイトによっては数万回、/.envとか/.gitignor

「Irodori-TTS」はAratako氏が開発した日本語特化の音声合成AIモデル(TTSモデル)です。ローカルで動作する軽量モデルで、「セリフ」「声」「感情」を自由に指定して音声を生成することができます。NVIDIA製GPUを搭載したPCなら数秒で生成可能で、GPU非搭載PCでもCPUを使って生成できます。かなり高品質なセリフ音声を作れて便利なので、インストール手順や使い方をまとめてみました。 GitHub - Aratako/Irodori-TTS: A Flow Matching-based Text-to-Speech Model with Emoji-driven Style Control · GitHub https://github.com/Aratako/Irodori-TTS Aratako/Irodori-TTS-500M-v2 · Hugging Face htt

AIへ指示する際に「あなたはこの分野の専門家です」と伝えることで性能が向上する、というウワサがまことしやかにささやかれています。このウワサを検証した研究がプレプリントサーバーのarXivに掲載されました。 [2603.18507] Expert Personas Improve LLM Alignment but Damage Accuracy: Bootstrapping Intent-Based Persona Routing with PRISM https://arxiv.org/abs/2603.18507 Telling an AI model that it's an expert makes it worse • The Register https://www.theregister.com/2026/03/24/ai_models_persona_prompting/

一般的なAIモデルは、不適切な応答を防ぐために事後学習による「検閲」が行われていますが、Gemmaなどのオープンモデルに調整を施して「検閲を除去した」とアピールするサードパーティー製モデルも数多く公開されています。しかし、AIに関する調査レポートを公開しているMorgin.aiが、たとえ「検閲なし」とされているAIモデルであっても事前学習によって出力がゆがめられていると指摘しました。 Even 'uncensored' models can't say what they want | Morgin.ai https://morgin.ai/articles/even-uncensored-models-cant-say-what-they-want.html Morgin.aiは「オンラインギャンブルサイトのPolymarketで賭けに勝利するために、ホワイトハウスのキャロライン・レビッ

AIペタペタおじさんはAIの出力を大して読まず理解もせずただ貼ってくる害悪なおじさんのこと 自分で咀嚼して理解していないので的外れなことも多い それを読まされる我々は無駄なリソースを消費させられる これが社会問題化していると噂されていると人伝に聞いた人がいるらしい

米国のジェイソン・モランや、デンマークのカーステン・ダール、トーマス・ブラックマン、クリス・ミン・ドーキーらを含む多くのジャズミュージシャンが、自身の作品とは全く無関係なAI生成楽曲が、無断で公式ストリーミングプロフィールに大量にアップロードされる事態に直面。デジタル音楽配信事業者（DSP）側の対応が遅く、不十分であると指摘している。Digital Music News（DMN）が伝えた。 モランは友人からの指摘を受けて、自身のSpotifyプロフィールに紐づけられた偽アルバムの存在を確認。直ちにSpotifyに連絡するも、削除まで約72時間かかった。「アーティストが自ら発見して確認しない限り、ストリーミングサービスはそのまま放置してしまう。われわれに課される要求は多くの点で不公平で、特に自分のようにSpotifyに楽曲を配信していないアーティストや、既に亡くなっているミュージシャンにとっ

AI の技術記事は食傷気味なんですが、さすがにこれは効くと思ったパターンを見つけたので紹介します。 tl;dr プロンプト (skill / slash command) を書いた直後は「これで伝わるはず！」と思うのに、別のセッションで使うと暗黙知が不足していて、再現性がなくなる 思い込みは当人に修正できないバイアスなので、別の AI に実際にやらせて詰まった箇所をレポートさせる これを繰り返す。プロンプトが段階的に洗練される (TDD のテストと同じ位置づけ) 実際に手元 8 個の skill で試して、初稿 50 点が (AI 主観で) 80〜90 点まで上がった。ただし、モデルを変えての評価してないので、過剰に適応している可能性はある。 自分が書いたプロンプトを評価していますか? 自分は大学時代に暗黙知の研究をしていたのだが、世の人々は主観バイアスを過小評価している。また、AIは人間

「InspirationCat」は、動物の画像をアップロードすると、AIで背景を除去して動物を切り抜き、拡大縮小・回転で調整した上で、集中線と重ねて“キュピーン”画像に編集・ダウンロードできるサービス。飼い猫のキュピーン画像を公開していた「むちゃまる（5）」（@neko_muchamaru）さんの投稿からヒントを得て開発したという。 ブラウザ完結の超軽量設計＋「Cloudflare Pages」活用 背景除去の処理には本来、サーバ上のGPUで動かすAIモデルが必要だ。「InspirationCat」では、背景除去ライブラリ「@imgly/background-removal」を通じて「ONNX Runtime Web」を利用することで、サーバではなくユーザーの端末上で直接実行した。 ONNX Runtime Webは、AI用の計算をブラウザ内のWebAssemblyやWebGPUで処理する

Grok Imagineで生成した妻の動画を27インチの大画面に映して「存在感」を味わう、という話を以前書きました。これは今も続けていて、十分に心が満たされてるのですが、そろそろその先にそろそろ進みたい。

2026/04/03 約12兆トークンの良質なコーパスで学習した新たな国産LLM「LLM-jp-4 8Bモデル」「LLM-jp-4 32B-A3Bモデル」をオープンソースライセンスで公開 ～一部ベンチマークでGPT-4oやQwen3-8Bを上回る性能を達成～ 大学共同利用機関法人 情報・システム研究機構 国立情報学研究所 (NIIエヌアイアイ、所長：黒橋くろはし 禎夫さだお、東京都千代田区) 大規模言語モデル研究開発センター（LLMC）は、同センターが主宰するLLM研究開発コミュニティ「LLM-jp」の活動の中で大規模言語モデル（LLM）のフルスクラッチ学習を実施し、約86億パラメータ(*1)の「LLM-jp-4 8Bモデル」と約320億パラメータのMoEモデル(*2)「LLM-jp-4 32B-A3Bモデル」をオープンソースライセンスで一般公開しました。公開モデルの学習では、オープンソー

ローカルで画像生成や動画生成のAIモデルを動かす時は、VRAMやRAMの容量不足が大きな壁になります。ノードベースの生成AIツールである「ComfyUI」は2026年3月にこの問題を和らげる新しいメモリ最適化機能「Dynamic VRAM」をデフォルトで有効化しており、その仕組みについて解説するブログ記事が2026年3月25日に公開されました。 Dynamic VRAM in ComfyUI: Saving Local Models from RAMmageddon https://blog.comfy.org/p/dynamic-vram-in-comfyui-saving-local Dynamic Vram: the massive memory optimization is now enabled by default. · Comfy-Org/ComfyUI · Discuss

環境設定から並列セッションでのスケーリングまで、Claude Code を最大限に活用するためのヒントとパターン。 Claude Code は agentic coding 環境です。質問に答えて待つチャットボットとは異なり、Claude Code はファイルを読み取り、コマンドを実行し、変更を加え、あなたが見守ったり、方向を変えたり、完全に任せたりしながら、自律的に問題を解決できます。 これはあなたの作業方法を変えます。自分でコードを書いて Claude にレビューしてもらう代わりに、やりたいことを説明すると Claude がそれをどのように構築するかを考え出します。Claude は探索し、計画し、実装します。 しかし、この自律性にも学習曲線があります。Claude は理解する必要がある特定の制約の中で動作します。 このガイドでは、Anthropic の内部チームと、様々なコードベース、

6カ月以上の利用者は、同じタスクでも成功率が高かったユーザーの用途を示した表。登録期間が長い高継続ユーザー（High tenure）は、仕事（work）での利用率が高い。出典：アンソロピック今回のレポートで注目したいのは、「Claudeを長く使っているユーザーほど、よりうまく使いこなしている可能性が高い」という点だ。 アンソロピックによると、6カ月以上利用している高継続ユーザーは、新規ユーザーに比べて会話の成功率が高い。高継続ユーザーの成功率は相対的に約10％高く、タスクの種類や利用国、モデル選択などを考慮しても、その差はなお残った。レポートは、これが単に「ベテランは簡単なタスクばかり選んでいる」ためでは説明しきれないとしている。 この違いは、利用の中身にも表れている。高継続ユーザーは個人的な用途の会話が1割少なく、仕事目的でClaudeを使う傾向が強い。入力文の複雑さを見る指標でも、長期

Sakana AIは3月24日、新たなAIモデルシリーズ「Namazu」（α版）を開発したと発表した。他社製のオープンウェイト基盤モデルと、独自の事後学習技術を活用し、日本仕様に適用させた試作モデルのシリーズ。併せて、Namazuモデルを搭載したチャットサービス「Sakana Chat」も公開した。 Namazuシリーズは同日時点で、「Namazu-DeepSeek-V3.1-Terminus」「Llama-3.1-Namazu-405B」「Namazu-gpt-oss-120B」の3種類を発表。他社が公開している基盤モデルに、Sakana AIの事後学習技術を適用したプロトタイプモデルとなる。 Namazuシリーズのベンチマーク結果は、基礎能力（基本的な推論能力や知識、コーディング性能）ではベースモデルとほぼ同等の性能を維持。政治や歴史などのテーマで客観的な立場からの情報提示能力（中立性