ひたすらプロンプト作り｜ 時々AI情報｜主にGemini｜グリモア-AIの魔導書

生成AIサイトに無料登録してあれば使えるプロンプトを作って公開しています。#画像生成 #テキスト生成 も色々な #生成AI 用に作成していきます。時々AI情報も発信していきます。プロンプトは投稿させてくれるサイトがありましたのでそちらに投稿していきます。Xの検索欄から検索して是非 #プロンプト を使ってみて下さい。

[ひたすらプロンプト作り｜ 時々AI情報｜主にGemini｜グリモア-AIの魔導書 @tgptfy]

以前企画で出させていただいた際の #画像生成AI の #プロンプト です。

プロンプト↓
https://t.co/r6oekUAN2n

#AdobeFirefly #adobe #ＡＩイラスト

[ひたすらプロンプト作り｜ 時々AI情報｜主にGemini｜グリモア-AIの魔導書 @tgptfy]

株価の架空の予測画像を生成してくれる #プロンプト を作成してみました。

※AIが描く架空のチャートです。正確なデータではないため、投資の参考にはせずエンタメとしてお楽しみください

プロンプトリンク
https://t.co/Z5lppIcZtl

[ひたすらプロンプト作り｜ 時々AI情報｜主にGemini｜グリモア-AIの魔導書 @tgptfy]

https://t.co/hkvVOplrfy

[Google @Google]

Today we’re introducing Gemma 4 12B — our latest open model that brings advanced agentic reasoning, vision and audio directly to your laptop.

It delivers performance nearing our larger Gemma models with a much smaller total memory footprint, while being small enough to run locally with just 16GB of VRAM. It’s open and accessible for everyone to use under a permissive Apache 2.0 license.

This is all made possible by our new, unified architecture that removes separate multimodal encoders. Here’s how we did it 🧵

[AIDB @ai_database]

LLMエージェントをニューラルネットワークのように扱い、強化学習で協調させると、育て方次第で「エージェント数をスケール」させることがそのまま性能向上につながるとわかったとのこと。

研究者らは複数のLLMをニューラルネットの層のように並べて文章を受け渡しさせ、各エージェントに「計画担当」「批評担当」といった役割を"一切与えない"方式を検証しました。
最終的な正解だけを報酬として全体をまとめて強化学習させる仕組み。

小さなモデルでもこのやり方で性能が向上し、しかも一度小さな構成で学習させてから段階的にネットワークを大きく育てると、最初から大きく組むより安定して伸びることがわかりました。

マルチエージェントの組み方そのものが、モデルサイズとは別のスケーリング軸になり得ると示した格好です。

[Nav Toor @heynavtoor]

A guy in Karachi rebuilt GPT-4 in one Jupyter notebook.

OpenAI spent over $100 million to train the real one. He put the entire recipe on GitHub for free.

His README still says "I am looking for a PhD position in AI."

It's called Train LLM From Scratch. A working guide that walks you through building your own 2-billion-parameter language model on a single GPU.

OpenAI vs this repo:

- Training cost: $100M+ → Single A100 or RTX 4090 (you can rent for $1/hr)
- Code access: Closed → Open, MIT license
- Data: Secret → The Pile (open dataset, 825GB)
- Walkthrough: None → Every line of code explained, top to bottom
- Output quality: GPT-4 → A small model that writes broken English (but it's yours)

The whole thing fits in one notebook. No paid course. No paywall. No "Pro" tier.

What you actually learn:

→ How a transformer works, end to end
→ How to download and tokenize the Pile dataset
→ How to build multi-head attention from scratch in PyTorch
→ How to train on a single GPU without running out of memory
→ How to generate text from your trained model
→ How to scale from 13 million parameters to 2 billion

774 stars. 135 forks. MIT license. The full theory paper-to-code in one place.

One honest note: this is a learning repo, not a production model. Your output will be small and rough. But you will understand exactly how GPT-4 works after reading it.

Fareed Khan built this from Karachi, Pakistan. He has 1,780 GitHub followers. He's still looking for a PhD position. The recipe to billion-dollar AI is sitting on his profile, free.

This is what open AI was supposed to mean.

(Link in the comments)

[ひたすらプロンプト作り｜ 時々AI情報｜主にGemini｜グリモア-AIの魔導書 @tgptfy]

久しぶりにこの引用の #プロンプト で画像生成してみました
2024年/1月とは全然違いました

プロンプト↓
https://t.co/9maUq7GV8A

左から
#Gemini #chatgpt #grok #metaAI です

[ひたすらプロンプト作り｜ 時々AI情報｜主にGemini｜グリモア-AIの魔導書 @tgptfy]

以前企画で出させていただいた際の #画像生成AI の #プロンプト です。

プロンプト↓
https://t.co/r6oekUAN2n

#AdobeFirefly #adobe #ＡＩイラスト

[How To Prompt @HowToPrompt__]

MIT open-sourced an AI model that converts photos into fully editable CAD programs and it quietly kills the $150/hour CAD modeling industry.

Just upload a sketch or photo and it generates the full parametric 3D model. exportable as STL. ready for manufacturing.

→ no SolidWorks license
→ no weeks of modeling
→ no CAD engineer needed

100% Open Source

[Sebastian Raschka @rasbt]

New article: a visual tour of recent LLM architecture advances, from Gemma 4 to DeepSeek V4.

I focus on long-context efficiency tweaks like KV sharing, per-layer embeddings, layer-wise attention budgets, compressed attention, and mHC.

Link: https://t.co/KO81y3kTH7

[AK @_akhaliq]

Continuous Latent Diffusion Language Model

paper: https://t.co/qgUyX7D1Mr

[Goodfire @GoodfireAI]

Neural networks might speak English, but they think in shapes.

Understanding their rich *neural geometry* is key to understanding how they work – and to debugging and controlling them with precision.

Starting today, we’re releasing a series of posts on this research agenda. 🧵

[ひたすらプロンプト作り｜ 時々AI情報｜主にGemini｜グリモア-AIの魔導書 @tgptfy]

株価の架空の予測画像を生成してくれる #プロンプト を作成してみました。

※AIが描く架空のチャートです。正確なデータではないため、投資の参考にはせずエンタメとしてお楽しみください

プロンプトリンク
https://t.co/Z5lppIcZtl

[Google Gemma @googlegemma]

https://t.co/BvHkG5TaBF

[Google for Developers @googledevs]

Try it out now: https://t.co/q2pUpcWxN2

[DailyPapers @HuggingPapers]

Maximal Brain Damage

Flipping just two sign bits reduces ResNet-50 accuracy by 99.8% and drops Qwen3-30B reasoning to 0%.

Researchers from IBM, Technion and NVIDIA introduce Deep Neural Lesion (DNL), a data-free method to locate critical parameters in neural networks.

[Mehmet @xenit_v0]

Bir yapay zeka bilimsel makale yazdı, hakem incelemesini geçti, Nature'da yayımlandı.

Sakana AI'ın "AI Scientist-v2" sistemi baştan sona otonom çalışıyor. Hipotez kuruyor, deney tasarlıyor, verileri analiz ediyor, makaleyi LaTeX'te yazıyor. Üç makale göndermişler ICLR konferansına, biri geçmiş. Makale başına maliyet: 25 dolar. Bir araştırmacının yıllık maliyeti 200 bin dolar.

Fakat ilginç bir detay var. ICLR 2026'ya gelen 75 binden fazla hakem raporunun %21'i tamamen yapay zeka tarafından yazılmış. Yarısından fazlasında yapay zeka katkısı tespit edildi. Yani AI makaleyi yazıyor, AI hakemlik yapıyor, insan sadece onaylıyor.

25 Mart'ta Nature'da yayımlandı, 198 bin erişim aldı.

kaynak 1: https://t.co/tcVvchskFo
kaynak 2: https://t.co/uXwIlCyzo8

[Reza Bayat @reza_byt]

Mythos is a looped transformer!? 😳 Should be a Mixture-of-Recursions (MoR) — 2× faster, controlled effort.

Dense → sparse MoE was the efficiency unlock of 2023.

Uniform loops → MoR is the same move for recursive transformers.

Paper reading list below. 🧵

[Google Cloud Tech @GoogleCloudTech]

https://t.co/Nhzbmwl85W

[AIDB @ai_database]

AIエージェントたちに寿命を与えて社会的に生活させると、文化の進化に似たことが発生してきたという話。

テキサス大学などの研究チームは、AIエージェントに命の制限を設け、さらに後世に大事なことを書き残せる仕組みを開発。
すると知識や慣習が積み重なっていくような現象が起きました。

なお、エージェントの生活環境は「エネルギーに限りがあり、食糧を得て生き延びる努力をしなければいけない」世界。
そんな中、知恵を獲得し後の世に伝える、まさに文化のような状態ができたそうです。

研究者らは、AIで社会をシミュレーションして面白い発展を促すには、単にモデルを賢くするだけでなくプレッシャーを与えることが大事だと考えます。
資源不足、記憶の限界、そして知識を残せる仕組み。
そうしたものがバランス良くそろってはじめて、協力、分業、規範、制度のようなものが育つ、とのことです。

[Tom Dörr @tom_doerr]

Web-based robot viewer and simulator

https://t.co/oCAmGFoCU1

[Kimi.ai @Kimi_Moonshot]

Introducing 𝑨𝒕𝒕𝒆𝒏𝒕𝒊𝒐𝒏 𝑹𝒆𝒔𝒊𝒅𝒖𝒂𝒍𝒔: Rethinking depth-wise aggregation.

Residual connections have long relied on fixed, uniform accumulation. Inspired by the duality of time and depth, we introduce Attention Residuals, replacing standard depth-wise recurrence with learned, input-dependent attention over preceding layers.

🔹 Enables networks to selectively retrieve past representations, naturally mitigating dilution and hidden-state growth.
🔹 Introduces Block AttnRes, partitioning layers into compressed blocks to make cross-layer attention practical at scale.
🔹 Serves as an efficient drop-in replacement, demonstrating a 1.25x compute advantage with negligible (<2%) inference latency overhead.
🔹 Validated on the Kimi Linear architecture (48B total, 3B activated parameters), delivering consistent downstream performance gains.

🔗Full report:
https://t.co/u3EHICG05h