Alibabaの大規模言語モデル「Qwen」の研究チームが、コーディングに特化したエージェントモデル「Qwen3-Coder」を発表しました。パラメータ数4800億・アクティブパラメータ数350億のモデル「Qwen3-Coder-480B-A35B-Instruct」は、Claude Sonnet 4に匹敵する最先端の結果を達成しています。 Qwen3-Coder: Agentic Coding in the World | Qwen https://qwenlm.github.io/blog/qwen3-coder/ GitHub - QwenLM/Qwen3-Coder: Qwen3-Coder is the code version of Qwen3, the large language model series developed by Qwen team, Alibaba Cl
こんにちは。半熟仮想株式会社の齋藤(@usait0)です。2024年1月より、DMMさんの検索レコメンドチームの皆様と連携させていただいており、主にDMM TVにおける推薦システム周りの改善に取り組んでいます。今回は、その中でも最近注力している『検索レコメンドモデルの開発を通じて効率的な事業貢献を達成するための戦略策定』について、ブログとしてご紹介させていただくことになりました。 また、近日中に関連する内容のセミナーの開催も予定しているので、本記事の内容にご興味をお持ちいただけましたら、ぜひこちらにもご参加いただき、より深い議論ができればと考えています。 はじめに 最近ありがたいことに、DMMさんを含む10社以上の企業と連携させていただいており、中でも、検索やレコメンドモデルの戦略策定・開発・評価に関する取り組みが多くを占めています。多くの現場に関わらせていただく中で、よく感じているのが、
「押下する」は変な日本語？ IT業界でよく使われる「押下（おうか）する」という言葉について考察したQiitaの記事が話題になっておりました。 qiita.com ブコメをみると「変な日本語だと思ってた」的なコメントが散見されましたが、実際、SIerの人とかと仕事をすると「押下する」という表現はもはや日常語レベルになっていて、よく耳＆目にするんですよね*1。システムの設計書とかマニュアルに頻繁に出てきます。 私は就職して１年目に、自社内の業務システムのマニュアルに「◯◯ボタンを押下」というような表現があるのを見つけて初めて知りました。 上記の記事では、パソコンにおける「クリック」は「押し下げる」のではなく「押して離す」動作なのだから、「押下」と表現するのはおかしいのではないかみたいな話がされているのですが、あわせて「押下」という言葉が誕生した瞬間？についてのエピソードが紹介されております。
はじめに こんにちは！ 最近AIに興味を持ち始めたばかりの超初心者です。 「DeepSeek-R1」についての解説記事を読んでみたのですが、専門用語や数学的な説明が多く、最初はなかなか理解できませんでした。 それならいっそ論文を直接読んでみよう！ と思い立ち、DeepSeek-R1 の論文に挑戦することにしました。 実際に読んでみると、思っていたほど難しくなく、専門用語や数学的な要素も少なかったので、初心者の私でも意外と読みやすいことに驚きました。 最初は DeepSeek-R1 がなぜ話題になっているのか知りたくて読み始めたのですが、読み進めるうちに AI の基本的な仕組みや、これまでの技術の進化についても学ぶことができ、AI の世界の面白さと未来の可能性を強く感じるようになりました。 その楽しさやワクワク感をもっと多くの人に伝えたいと思い、この記事を書くことにしました。 この記事では、
10年前に提唱された「リーンスタートアップ」と呼ばれる事業立ち上げの手法がある。リーン（＝無駄がない）であること、仮説検証の速度を最大化する（=学びの量に最適化する）ことを重要視する考え方だ。フィードバックサイクルを早め、コストをなるべくかけず、必要最低限の要素にフォーカスし、素早くスタートアップを立ち上げることで、成功確率が上がるのだと言われている。 裏を返せばこれは、仮説検証に必要ない一切は削ぎ落とすべきだ、と言っている。リーンスタートアップ的やり方の有名な例として、プロダクトを作る前に、そのプロダクトのランディングページだけを作って、メーリングリスト登録やアクセス数などの反応を見ることで、需要があるか確認するやり方がある。実はコードを書くのは初期の仮説検証に全く必要ないのだ。 このように進めれば、たくさんのお金と時間を使ってプロダクトを作って、ローンチしたあとに実は需要がなかった、と
この記事は、筆者が技術選定について思うところをまとめた記事です。Twitterに同じ話を何回か書いているので、文章にまとまっていたほうがよいと思い用意しました。 やや過激な思想で愚痴も含んでいるので、共感いただけると嬉しいものの、みなさんを説得しようというつもりはありません。こいつはこういう考え方なんだなという心持ちでお読みください。 積極的な技術選定と消極的な技術選定ITエンジニアの方々の中には、技術選定をする立場の方も多いでしょう。技術選定にあたってはさまざまな事情を勘案しなければならない難しいもので、それだけに多くの人が技術選定に関する各々の考えを述べています。 筆者は、技術選定における意思決定のプロセスは、積極的な技術選定と消極的な技術選定の2種類があるのではないかと思っています。 積極的な技術選定は、選定される（あるいはされない）技術そのものが原因となる意思決定です。 一方、消極
こんにちは、Flatt Security執行役員の @toyojuni です。 弊社はWebエンジニア向けのセキュアコーディング学習プラットフォーム「KENRO(ケンロー)」を提供しています。この度、商談の中で限られたお客様にのみ提供していた「KENRO」のトライアル利用を 無償・期間無制限で一般開放 することとしましたので、そのお知らせも兼ねつつ一般開放に至った背景などをこちらのブログでお話ししようと思います。 「KENRO」とは？ 「KENRO」のトライアルとは？ トライアル一般開放の背景 トライアルはどのような人にオススメ？ トライアルの利用方法 最後に 「KENRO」とは？ 「KENRO」は、Web 開発に必要なセキュリティ技術のハンズオンの研修・学習を行うことができる、環境構築不要のクラウド型学習プラットフォームです。 https://flatt.tech/kenro これまでエ
【詳報】GPT-4.5の特徴は？ 教師なし学習で性能向上、OpenAI史上最大サイズ、API利用は超高価 米OpenAIは2月28日（日本時間）、同社の大規模言語モデル「GPT-4.5」の研究プレビューを公開した。このモデルはGPT-4oをベースに構築されており、学習方法などを工夫することで“長考”をしなくても性能が向上したほか、会話の自然さも改善された。本記事ではOpenAIが公開したシステムカードや公式Webサイトの記述、APIなどの情報を基に、GPT-4.5の性能やモデルサイズ、安全性、利用価格などについて解説していく。 関連記事：「GPT-4.5」正式発表 “深い思考”をしなくても世界理解と直感力で性能向上 モデルの概要と技術的特徴 “長考”は使わず教師なし学習で性能向上 GPT-4.5は、OpenAIが推進する二つの主要パラダイム「教師なし学習」と「思考の連鎖」（Chain-of
2025年1月31日、スタンフォード大学で大規模言語モデルを研究するニクラス・ミュニホフ氏らの研究チームが、少ないデータサンプルと簡単な方法でOpenAI o1-previewとほぼ同等のスケーリングとパフォーマンスを再現する手法を、未査読論文リポジトリのarXivに発表しました。AIアーキテクトでソフトウェアエンジニアのティム・ケロッグ氏が、この論文について解説しています。 [2501.19393] s1: Simple test-time scaling https://arxiv.org/abs/2501.19393 S1: The $6 R1 Competitor? - Tim Kellogg https://timkellogg.me/blog/2025/02/03/s1 ミュニホフ氏らが発表した論文は、テスト時の計算リソースを増やすことで言語モデルの推論性能を向上させる「Sim
Sakana AI、新手法「TAID」によって蒸留された高性能SLM「TinySwallow-1.5B」を公開 Sakana AIは2025年1月30日、高性能な大規模言語モデル（LLM）が持っている知識を小規模言語モデル（SLM：Small Language Model）に効率的に転移するための新技術「TAID（Temporally Adaptive Interpolated Distillation）」を開発し、これを用いて作成した日本語SLM「TinySwallow-1.5B」を公開した。 新手法「TAID」を用いた小規模日本語言語モデル「TinySwallow-1.5B」の公開 この度、新手法「TAID」を用いて学習された小規模日本語言語モデル「TinySwallow-1.5B」を公開しました。https://t.co/U7qpbz2BgL 私たちは、大規模言語モデル（LL
本記事は、DeepSeek-R1の論文とDeepSeekMathの論文を読んだ私の理解をもとに記載しています。 本論文で使われている技術に関しては、ある程度の知識を持っているので、大きくは外していないとは思いますが、私の主観も入っている部分もありますので、ご了承ください。 また、DeepSeek-R1の論文が公開される前に、小型モデルに対して同様の実験（強化学習）をしていたグループがあるようです。 そちらのレポートは下記になります。 意図せず、DeepSeek-R1-Zeroの再現実験のようなレポートになっていますが、レポートの著者はDeepSeek-R1論文の公開前から実験していると主張しています。 こちらも非常に興味深かったため紹介です。 本論文の興味深いところ 本論文は、大きく分けて3つの構成でできています 強化学習による思考能力の強化 LLM（DeepSeek-V3-Base）に対
Generate CAD from text prompts Design Faster with Text Prompts in our AI CAD Model Generator Text-to-CAD is an open-source prompt interface for generating CAD files through text prompts. Generate models that you can import into the CAD program of your choice. The infrastructure behind Text-to-CAD utilizes our Design API and Machine Learning API to programmatically analyze training data and generat
生成AI（人工知能）の精度を高める手法として、大規模言語モデル（LLM）と検索エンジンを組み合わせたRAG（Retrieval Augmented Generation、検索拡張生成）の利用が盛んだ。ところが米Google（グーグル）によれば、RAGよりも性能を高めやすい手法があるのだという。「メニーショットICL（Many-Shot In-Context Learning）」や「ロングコンテキストICL（Long-Context In-Context Learning）」と呼ばれる手法だ。 「ロングコンテキストICLを利用すると、RAGに比べて性能が12ポイント向上した例も出てきている」。Google Cloudが2024年10月24日に開催した生成AIに関するイベント「Generative AI Summit Tokyo '24 Fall」で、グーグル・クラウド・ジャパンの寳野雄太テク
いま話題のReplit Agentを実際に触ってみました。 どんな感じのサービスなのか、どんな感じでアプリ開発ができるのかをざっくりですが紹介します。 参考になれば幸いです。 1.Replit Agentに生成してもらったアプリ 今回はTOEIC単語学習の進捗管理アプリを作成してみました。 よくある書籍などの単語帳だと以下のような課題があるので、これらを解決するアプリを作成みようと思いました。 覚えた単語とそうでない単語を効率よく整理できない。→ 視覚的に簡単にステータスを管理したい 書籍（本）と音声データ（アプリ）で分かれている → 一括で管理したい 今どれだけの単語を覚えてるか全体像が見えない → 視覚的に進捗率を数字として可視化したい さっそくですが、Replit Agentに自然言語の指示出しだけで作ってもらったアプリのデモ動画をご覧ください。 2.アプリの要件定義書の作成 Xを見
LayerX AI・LLM事業部長の中村 (@nrryuya_jp) です。昨日、弊社の生成AIプラットフォーム「Ai Workforce」が三菱UFJ銀行様に導入されたことを発表しました。また、製品紹介ページもできました。 LayerXは、AIの進化に賭けて事業を展開しています。AIは多くの人々の働き方に影響を与えるでしょう。しかし、AIがどんどん賢く進化しても、必ずしも人間が思い通りに使いこなせるとは限りません。企業が新たに採用した社員を受け入れ定着させることを「オンボーディング」と言ったりしますが、AIにおいても、AIが働きやすい環境にするための「AIのオンボーディング」が重要です。 今回はそんな「AIオンボーディング」と、Ai Workforceの実現したいビジョンについて紹介します。 「AIオンボーディング」の必要性AI・LLMの進化人間の「脳みそ」に例えるなら、昔の機械学習は、
はじめに あなたはブラウザからデータベース(DB)に情報が行き着くまでにどんな技術が使われているか説明できますでしょうか？ どのようなプロトコルが用いられ、どの技術を駆使してサーバと通信しているのか、Webサーバでは何が行われ、どのようにして負荷が分散されているのか、トランザクションはどのように管理されているのか、そしてデータベースではシャーディングや負荷対策のためにどのような対策が取られているのか… なんとなくは理解しているものの、私は自信を持って「こうなっている！！」とは説明ができません。 そこで今回は「大規模サービス」を題材としてブラウザからデータベースに至るまでの、情報の流れとその背後にある技術について、明確かつ分かりやすく解説していきたいと思います。 対象としてはこれからエンジニアとして働き出す、WEB、バックエンド、サーバーサイド、インフラ、SREを対象としております。 1.
アトラシアンは、JiraやConfluenceなどの同社製品およびGoogleドライブやGitHub、Slackなどサードパーティのサービスを横断して検索し、AIがチャットで質問に回答してくれる新サービス「Atlassian Rovo」正式版の提供を開始しました。 Atlassian Rovoは今年（2024年）5月に発表されており、それが今回正式サービスとなりました。 参考：アトラシアン、新AIサービス「Atlassian Rovo」発表。GoogleドライブやGitHub、Slack、Teamsなど同社内外のサービスを横断してAIが学習、ユーザーを支援 サービス横断的な検索、社内情報を学習したAIとのチャットなど Atlassian Rovoは以下の主な機能を提供します。 サービス横断的な検索 アトラシアンが提供するJira、Confluence、Loom、Bitbucketに加えて、
締切早ッ、とみくびることなかれ。私の中ではすでにダントツで2024年に買ってよかったもの第一位がO’Reilly Online Learning年間契約に決定しました。 O’Reilly Online Learning は、技術書籍の出版社であるO’Reilly Mediaが提供するオンライン学習プラットフォームです。技術書籍の電子版を読むことができるだけでなく、ビデオやオンラインコースも受講できます。 www.oreilly.com 洋書だけではなく、日本語の技術書も多く取り揃えられています。実はO’Reillyの技術書籍だけでなく、ManningやPacktなどの他の出版社の技術書も取り扱っています。O’Reilly Japanから出されている本でも原著の出版社はO’Reilly Mediaではないということもあります。そもそもO’Reillyの本でも日本語翻訳されているのはごく一部で
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く