Scraps 最終更新 2026/11/16 13:01

#機械学習

@はこいぬ /

ローカルJevの可能性検証

  • Gemmaをベースにした3つの構成でJev風の判断モデルを実装し、日本語の3択分類タスクで比較した
  • 案Aはトークンスコアから確率を計算、案Bは分類ヘッドを追加、案Cは共有採点ヘッドで候補を評価
  • LoRAによる追加学習で正答率が8割を超え、生成不要の構成でも高速な推論が可能だった

@harupython /

LLMの代わりになる? 文章を生成しないAI「Jev」を日本語で試してみた

  • 文章を生成しないAI「Jev」は、判断と確率を返すモデルで、LLMとは異なる出力方式を持つ
  • Choice・Score・Noulの3種類の返り値形式、LLMのStructured Outputsとの出力方式の違い
  • Jevは文章生成せず判断と確率を返すため、処理に応じた使い分けが重要で、実際の性能は入力内容に依存する

@dahatake /

AI コーディングエージェントの1タスクが8時間かかる理由を、45日分のセッション履歴から測ってみた

  • AIコーディングエージェントの1タスクが8時間かかる理由は、文脈の積み上げと指示の不備が主因
  • コンテキストサイズが100kトークンを超えると遅延が10倍に、検証スキルのロード不足と指示の無限スコープが原因
  • 指示に完了条件と時間上限を明記しないと1指示で200回以上のモデル呼び出しと400分以上の時間がかかる

@Phung Dinh Son /

Markdownは新しい攻撃ベクトルになった — AIエージェント時代の間接プロンプトインジェクション入門

  • プロンプトインジェクションはLLMの構造的制約であり、間接インジェクションが特に危険
  • プロンプトインジェクションの2種類(直接・間接)、Lethal Trifecta(プライベートデータ・信頼不能コンテンツ・外部通信の3要素)
  • プライベートデータへのアクセスを最小限にし、信頼不能コンテンツを厳しくチェックし、外部通信を制限する対策が有効

@Tamura Satoru /

AIペルソナはユーザーの代わりになるのか? 論文3本から探る、できること・できないこと

  • LLMはUIの問題候補を挙げたり、人間と重なる定性的な論点を出したりできる
  • Duan et al.はGPT-4でUIガイドライン違反を検出、Hwang and KangはAIペルソナで定性的テーマを抽出、Kuric et al.はGPTのクリック行動を実ユーザーと比較
  • LLMの出力は実ユーザーの反応そのものではなく、仮説や予測として扱う必要がある

@yushibats /

話題のJevとは?文章を書かずに判断だけを返すAIモデルをざっくり解説

  • Jevは文章を生成せず、選択肢ごとの確率と確信度を返すAIモデル
  • 選択肢から1つ選ぶChoice、段階評価のScore、Yes/NoのNoulの3種類の問いに対応。確信度で処理を分岐可能
  • 確信度が0.9以上なら自動処理、0.5以上なら人間確認、それ以下なら人が振り分け。計算や日付比較は不得意と明記

@aidasquid /

2026年版 LLM勢力図&モデルまとめ

  • 2026年現在のLLM勢力図と主要モデルの特徴がまとめられている
  • ChatGPT、Claude、Gemini、DeepSeek、Qwen、Moonshot、Liquid AI、xLSTM、Jevなどのモデルと、Transformerの代替アーキテクチャが紹介されている
  • LLMの性能やアーキテクチャの選択が開発戦略に直接影響するため、モデルの特徴を理解することが重要

@Yasuhito Morimoto /

国内AIエージェント動向(2026/9/18号)

  • 国内のAIエージェント導入が業務実装、ナレッジ整備、運用定着へと移行している
  • 住友電装の監査AI、介入AI、レビューAI、アビームとNotionのAgent OS、TinyFishの自律Web操作
  • AIエージェント導入の競争軸がモデル性能から業務実装、ナレッジ整備、運用定着、効果検証へ移行している

@はたはた /

LightGBM Rankerを深掘りする:LambdaRankの仕組みと予測の中身

  • LightGBM RankerでLambdaRankを使うと、候補間の順位を入れ替えることでNDCGを最適化する
  • LambdaRankはrelevanceの差に基づくΔNDCGを計算し、gain/splitで特徴量の分岐を決定する、グループ指定を誤ると順位学習が妨げられる
  • グループ指定を誤ると別クエリのアイテムが比較対象となり、NDCG@5が4.6ポイント悪化する可能性がある

@meijin /

Jev 所感 ダラダラと書く

  • Jevは構造化出力に特化したAIで、LLMと協働して業務を高速化できる
  • LLMが状態取得やテキスト化、Jevが次のアクション選択を担当、UIの動的生成にも適する
  • 単独で使うよりLLMと組み合わせたワークフローで効果的で、判断軸の言語化が必須

@Rebecca Bellan /

マイクロソフト幹部がAIスクラビングを「人類最大の労働の盗難」と認めた、新たな未編集文書が明らかに

  • マイクロソフトの幹部がAIスクラビングを「人類最大の労働の盗難」と認めた
  • スクラビングで収集したデータに著作権情報を削除し、ペイウォールを回避して大量に取得した
  • AIモデルのトレーニングに著作権のあるデータを使う行為が法的に問題になる可能性がある

@hisashi-ito /

Jev(TypeSafe AI)はみんなどうやって使っているのか?

  • Jevは選択・段階評価・真偽の3種類の質問に対応し、文を返さずに確率と信頼度を返す判断モデル
  • 選択(Choice)、段階評価(Score)、真偽(Noul)の3種類の質問、入力トークンのみの料金体系
  • 日本からの利用では300ミリ秒前後の応答時間で、1秒に何度も呼び出す設計は避けるべき