よーよー

/エンジニア/データサイエンティスト/検索/LLM/因果推論

[よーよー @hei_yo_hei]

ウメハラへの想い Interview: Fighting Gamers https://t.co/BVdrdjCLY7 @YouTubeより

[逆瀬川 @gyakuse]

Claude CodeやCodexを現場に投入しているひとがさいきんHarness Engineeringどうやってやっていけばわからん！みたいなつらみに襲われている気がします。
そんなひとのためのまとめ記事を書きました！参考にしてみてください。
https://t.co/afX4mNpsI9

[Kuu🍣 @Fumiya_Kume]

Claude Code の作者によるClaude Codeの活用術だ

[iwashi / Yoshimasa Iwase @iwashi86]

LLMはどの表フォーマットを、一番うまく解釈できるのかを調べている記事から。

背景：
・LLMに表形式のデータを渡す際の最適なフォーマットは、AIシステムの信頼性において重要だが、十分な注意が払われていない
・どのフォーマットを選ぶかは、データパイプラインの設計、性能最適化、コスト管理に大きく影響
・特にRAGパイプラインにおいて、LLMが理解しやすいフォーマットでデー���を提供することは、システム全体の精度を向上させる可能性がある
・そこで、この調査では、11種類の異なるデータフォーマットがLLMの回答精度にどう影響するかを検証する実験した

実験条件：
・実験には、モデルとしてGPT-4.1-nanoを利用
・1000件の合成された従業員レコードをデータセットとして用い、それに関する1000個の質問への回答精度を評価

結果：
・実験の結果、データのフォーマットによってLLMの理解度に大きな差が出ることが明らかになった
・最も精度が高かったのは「Markdown-KV」という形式で、正解率は60.7%に達した
・2番目に精度が高かったのはXMLで、正解率は56.0%で、以降はINI、YAML、HTML、JSONと続く。
・なお、データを自然言語の文章で説明する形式の正解率は49.6%

考察：
・なお、一方で、精度と消費トークン数にはトレードオフの関係が見られる
・最も精度が高かったMarkdown-KV形式は、最もトークン効率が良かったCSV形式の約2.7倍のトークンを消費する
・人間の読みやすさとコストのバランスを重視する場合は、Markdownは良い選択肢

注意点：
・この実験はOpenAIのGPT-4.1-nanoのみを対象としており、他のモデルでは最適なフォーマットが異なる可能性がある
・また、今回のテストは単純な表形式データに限定されており、ネストされたデータや複雑な構造のテーブルでは結果が変わる可能性がある

ref: https://t.co/NR3w9PZSBK

[ころんびあ @colum2131]

めちゃよかった
https://t.co/9Fi3B23KBR

[Heiga Zen (全 炳河) @heiga_zen]

Google DeepMindで、東京勤務のリサーチエンジニアを募集しています！🚀

視覚👁️音声🗣️テキスト✍️を扱うAIエージェントを開発します🤖。AI、ソフトウェアエンジニアリング、JAX/PyTorchの経験と5年以上の実務経験がある方、ぜひ応募ください。

詳細と応募はこちらから👇 https://t.co/4Blq2HS4M7

[ML_Bear @MLBear2]

先週紹介したAnthropicのAIエージェント向けツール設計の記事が素晴らしかったので、その中の「効果的なツールを作成するための原則」のセクションを抜き出してまとめてみました。
AIエージェント向けツールを作成するガイドラインなどに活用していただければ嬉しいです😇

https://t.co/UiMSnhHBQy

[ノーン @nkowne63]

これOpenAI APIが出た当初（2023年初期）から言われてたのでもう2年早く解明してほしかった。
推論モデルのようなtemperature0.3以上で性能を出せるモデルが今やフロンティアになってしまったので、LLMを決定論的計算として扱おうとすると色々諦めなければならない。

[Hidetoshi Sudoh @sasa_kuna_]

LLMは昔から数値の扱いが苦手という特徴がありました。今回は、RAGも数字の扱いが得意ではないのでは？という疑問から、実態を調査した論文を紹介しています。

RAGが、どのくらい数値を認識するのが苦手かがわかる内容となっているので、ぜひご覧ください。

https://t.co/jGYu6Do7CX #zenn

[しゅんけー「📕Pythonで学ぶ画像生成」発売中！ @shunk031]

AI Agentの評価指標まとめ｜Koki Itai https://t.co/0VHaYpk9xy #zenn

[カレーちゃん @currypurin]

Nano-Bananaのプロンプト集が日本語化されていた。
https://t.co/3OhNdgJWev

[とのち｜AI漫画 @ai_tonoch]

これNano-Bananaの活用事例が60個以上まとめてあって圧巻。
プロンプトと出力が一覧で見れるのがありがたいですね。

Awesome-Nano-Banana-images https://t.co/udifkZdZ3q

[まっくす @minux302]

Claude Code、最近アホすぎてコレ

[iwashi / Yoshimasa Iwase @iwashi86]

CPU使用率についての記事。とても良かった。

・サーバーのCPU使用率は、そのサーバーの余力を正確に示す指標ではない
・例えば、CPU使用率が50%と表示されていても、単純にあと2倍の仕事ができるわけではない
・実際の実験では、CPU使用率が50%の時点で、すでに最大処理能力の6割から8割以上に達している場合があった
・特に、行列演算のような処理では、CPU使用率50%で処理能力がほぼ限界に達することさえある
・このズレが生じる主な原因の一つは、ハイパースレッディングである
・CPUの物理コア数を超える処理を行うと、1つのコアのリソースを共有するため、性能の伸びが鈍くなる
・もう一つの原因は、ターボブースト機能によりCPUのクロック周波数が変動することにある
・負荷が高まると発熱を抑えるためにクロック周波数が下がるため、使用率の増加ほど処理能力は上がらない
・これらの要因により、CPU使用率と実際の処理能力との関係は直線的ではない。
・サーバーの性能限界を正しく知るためには、CPU使用率を見るのではなく、実際にどれだけの仕事を処理できるかを測定し、それを基準に監視��べき

[新清士@AIコンテンツ開発者 @kiyoshi_shin]

nano-bananaはマジで凄まじい。上半身像を全身像を作成し、それを次のリファレンスにして、VRM Posing Desktopでマネキンのポーズのスクショと同じものに指示したら、同じポーズになる。たまに左右間違えるので、プロンプトで「右手でピースサイン」とか補ってやると、間違えにくくなる。

[抹茶もなか @GianMattya]

nano-bananaが出た今、画像生成AIに残る課題は何？｜抹茶もなか @GianMattya https://t.co/Dxc52wlWk5
画像生成AIが実ビジネスに導入されるには技術的な課題があるけど、それもそろそろ基盤モデルで突破できそうだよね、という話を書きました。

[ころんびあ @colum2131]

CUDAとPyTorchのバージョン調整大変な人に、NVIDIA Driverがちゃんと入っていたら

```
uv pip install torch --torch-backend=auto
```

で互換性の高いindexを自動で指定できること伝えていきたい
https://t.co/T2EOVY9NaF

[動詞 @IMG_5955]

nano bananaの技術詳細について知りたい人は以前書いたこの記事ぜひ。

内容はGPT-4oとGemini-2.0についてですが、nano bananaのやってることはGemini-2.0とほぼ変わらなくて、画像生成に関わるモジュールをスケールしただけだと思うので

https://t.co/dQAWwioDNV

[Minoru OSUKA @minoru_osuka]

Rust 製形態素解析器 Lindera v1.1.0 をリリースしましたー。
https://t.co/L5laOXFe7T

[Kento Sasaki @kento_sasaki1]

運転シーンにおけるVLMの時空間理解データセット「STRIDE-QA」の論文をarXivに公開しました！
本研究はICCV 2025 End-to-End 3D Learning Workshop にショートペーパーが採択され、現地発表予定です🌴

���� 論文: https://t.co/wcgQjLGdlI
🌐 Workshop: https://t.co/tE1n7Vyf0b