<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>カテゴリー:その他 &#8211; AIディベロッパーblog</title>
	<atom:link href="https://aidev.bluegarage.site/blog/category/%E3%81%9D%E3%81%AE%E4%BB%96/feed/" rel="self" type="application/rss+xml" />
	<link>https://aidev.bluegarage.site/blog</link>
	<description>AI技術を使った様々な開発のTIPSや技術のブログです</description>
	<lastBuildDate>Wed, 08 Jul 2026 01:46:19 +0000</lastBuildDate>
	<language>ja</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	
	<item>
		<title>PyTorchでONNXを「model.onnx」と「model_weights.bin」に分けて出力する方法【古いバージョンにも対応】</title>
		<link>https://aidev.bluegarage.site/blog/2026/07/08/pytorch%e3%81%a7onnx%e3%82%92%e3%80%8cmodel-onnx%e3%80%8d%e3%81%a8%e3%80%8cmodel_weights-bin%e3%80%8d%e3%81%ab%e5%88%86%e3%81%91%e3%81%a6%e5%87%ba%e5%8a%9b%e3%81%99%e3%82%8b%e6%96%b9%e6%b3%95%e3%80%90/</link>
				<pubDate>Wed, 08 Jul 2026 01:46:19 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[inference]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9732</guid>
				<description><![CDATA[PyTorchでONNXモデルを書き出す際、大きなモデルではONNX External Data形式を利用して、モデル本体と重みファイルを別々に保存したいことがあります。 この記事では、 model.onnx model_weights.bin の2ファイルに分けて出力する方法と、古いPyTorchを使用している場合の対処法を紹介します。 通常のONNX出力 一般的なONNX出力は次のようになります。 torch.onnx.export( wrapper, (sample, timestep, encoder_hidden_states), os.path.join(outdir, "unet", "model.onnx"), input_names=["sample", "timestep", "encoder_hidden_states"], output_names=["out_sample"], dynamic_axes={ "sample": {0: "batch", 1: "channels", 2: "height", 3: "width"}, "timestep": {0: "batch"}, [&#8230;]]]></description>
									</item>
		<item>
		<title>【2026年最新版】主要AI企業のユーザー入力データ利用ポリシー比較まとめ</title>
		<link>https://aidev.bluegarage.site/blog/2026/07/03/%e3%80%902026%e5%b9%b4%e6%9c%80%e6%96%b0%e7%89%88%e3%80%91%e4%b8%bb%e8%a6%81ai%e4%bc%81%e6%a5%ad%e3%81%ae%e3%83%a6%e3%83%bc%e3%82%b6%e3%83%bc%e5%85%a5%e5%8a%9b%e3%83%87%e3%83%bc%e3%82%bf%e5%88%a9/</link>
				<pubDate>Fri, 03 Jul 2026 01:45:47 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[chatgpt]]></category>
		<category><![CDATA[claude]]></category>
		<category><![CDATA[deepseek]]></category>
		<category><![CDATA[google]]></category>
		<category><![CDATA[Qwen]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9728</guid>
				<description><![CDATA[ChatGPT、Claude、Gemini、Copilot、そしてDeepSeekやQwen（通義千問）など、私たちが日常的に使うAIチャットボットに入力した文章・コード・画像は、いったいどのように扱われているのでしょうか。 「会話が勝手にAIの学習データにされているのでは？」という不安を持つ人は少なくありません。実際、多くのAI企業は個人向け無料プラン・有料プランではデフォルトで会話データを学習に利用し、法人向け（Enterprise/API）契約では原則として学習に利用しないという、二段構えのポリシーを採用しています。 本記事では、米国系（OpenAI、Anthropic、Google、Microsoft）、その他（Meta、xAI）、そして中国系（DeepSeek、Alibaba等）の主要AI企業のデータ利用ポリシーを横断的に整理しました。 1. OpenAI（ChatGPT） Free / Plus / Pro（個人向け）：個人ワークスペースではデータ共有がデフォルトで有効になっており、会話データはモデルの学習に利用される。ただし「設定 &#62; Data Controls &#62; Improve  [&#8230;]]]></description>
									</item>
		<item>
		<title>Sakana AIの新プロダクト「Fugu（フグ）」とは？マルチエージェントAIの全貌を解説</title>
		<link>https://aidev.bluegarage.site/blog/2026/06/23/sakana-ai%e3%81%ae%e6%96%b0%e3%83%97%e3%83%ad%e3%83%80%e3%82%af%e3%83%88%e3%80%8cfugu%ef%bc%88%e3%83%95%e3%82%b0%ef%bc%89%e3%80%8d%e3%81%a8%e3%81%af%ef%bc%9f%e3%83%9e%e3%83%ab%e3%83%81%e3%82%a8/</link>
				<pubDate>Tue, 23 Jun 2026 01:32:16 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[claude]]></category>
		<category><![CDATA[google]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9720</guid>
				<description><![CDATA[2026年6月22日、東京を拠点とするAIスタートアップ・Sakana AIが新プロダクト「Sakana Fugu（サカナ・フグ）」を正式リリースしました。複数のAIモデルを束ねて「1つのモデル」として動かすという斬新なアーキテクチャで、リリース直後から大きな注目を集めています。 Sakana Fuguとは？概要 Sakana Fuguは、複数のAIエージェントをオーケストレーション（協調制御）しながら、ユーザーには単一のモデルとして振る舞うマルチエージェントシステムです。 リクエストを一つのエンドポイントに送るだけで、Fuguがそれをどう処理するかを判断します。シンプルなタスクはそのまま解き、複雑なタスクには専門モデルのチームを編成・調整します。モデルの選択、タスクの委任、検証、統合はすべてFugu内部で完結するため、マルチエージェント特有の複雑さは開発者のコードに一切漏れてきません。 Fugu自体も約7Bパラメータの小型言語モデルであり、他のLLMを呼び出すことを強化学習によって学習しています。トレーニング中には自分自身を再帰的に呼び出すことも覚え、テスト時のスケーリングが可能になっています。 Fuguの [&#8230;]]]></description>
									</item>
		<item>
		<title>小さめのゲームのコードの文字数と、生成AIに与えたプロンプトの文字数を調べどれだけAIがコーデイングを効率化するかを考えてみた</title>
		<link>https://aidev.bluegarage.site/blog/2026/06/19/%e5%b0%8f%e3%81%95%e3%82%81%e3%81%ae%e3%82%b2%e3%83%bc%e3%83%a0%e3%81%ae%e6%96%87%e5%ad%97%e6%95%b0%e3%81%a8%e3%80%81%e3%83%97%e3%83%ad%e3%83%b3%e3%83%97%e3%83%88%e3%81%ae%e6%96%87%e5%ad%97%e6%95%b0/</link>
				<pubDate>Fri, 19 Jun 2026 02:27:21 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9716</guid>
				<description><![CDATA[AIで開発している小さめのゲームのコードの文字数と、プロンプトの文字数を調べ、どれだけAIがコーデイングを効率化するかを考えてみました。 どんな手法でどんなゲームを作った？ エージェント型のAIで３割と単純なネットワーク型のバトルゲームをAIコーディングの研究も兼ねて作成しています。 下記のような流れで製作しました。 ・ゲームの格子を伝え非常に単純な部分でゲームとして成り立つ最小限の構造をAIに作成依頼 ・実装を確認 ・※ゲームにアイテムや武器、ルールなどを短いプロンプトを積み重ねてAIに次から次に肉付けして実装させていく ・実装を確認・バグ修正(AIと人間のどちらも行う) ・ある程度進んだら長すぎるプログラムや整理されていないプログラムをクラス化するなどして分割リファクタリング(AIと人間のどちらも行う) ・実装を確認→※に戻る といった感じです。 結論 プロンプトをすべて残しているのですが、プロンプトの文字数を調べると約１０万文字でした。 次にゲーム自体のコードの文字数を簡単に調べると、平均８千文字ほどのファイルが３０ファイルほどある為、約２４万文字程度という事が分かります。 この為プロンプトで作ると５０ [&#8230;]]]></description>
									</item>
		<item>
		<title>Claudeとの会話はなぜ楽しいのか、なぜ安心感があるのかリークされたシステムプロンプトで調べてみる</title>
		<link>https://aidev.bluegarage.site/blog/2026/06/17/claude%e3%81%a8%e3%81%ae%e4%bc%9a%e8%a9%b1%e3%81%af%e3%81%aa%e3%81%9c%e6%a5%bd%e3%81%97%e3%81%84%e3%81%ae%e3%81%8b%e3%80%81%e3%81%aa%e3%81%9c%e5%ae%89%e5%bf%83%e6%84%9f%e3%81%8c%e3%81%82%e3%82%8b/</link>
				<pubDate>Wed, 17 Jun 2026 06:05:31 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[chatgpt]]></category>
		<category><![CDATA[claude]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9703</guid>
				<description><![CDATA[Claudeとの会話はなぜ楽しいのか、なぜ安心感があるのかリークされたシステムプロンプトで調べてみたいと思います。 本物である確証はありませんが、Claude Fable 5のシステムプロンプト全体がリークされました。 https://github.com/elder-plinius/CL4R1T4S/blob/main/ANTHROPIC/CLAUDE-FABLE-5.md 120,000文字。1,585行。27,000+トークンという超巨大なシステムプロンプトになっていますので、人間と接する際の会話のコツ部分だけを引用しその性格の秘密を探ってみたいと思います。(これはおそらく人間が書いたものですので参考になる部分があるかも知れません　笑) このリーク、どこまで信用できるのか リーク元の「CL4R1T4S」というリポジトリは、ChatGPTやGemini、Grok、Claudeなど主要なAIモデルの「システムプロンプトらしき文書」を集めて公開している、いわゆるAI透明化系のプロジェクトです。多くはプロンプトインジェクションのような手法でAI自身に出力させたものとされていますが、その精度や真偽は文書ごとにかな [&#8230;]]]></description>
									</item>
		<item>
		<title>Claude Fable 5・Mythos 5 緊急停止事件 ― 何が起きたのか総まとめ</title>
		<link>https://aidev.bluegarage.site/blog/2026/06/15/claude-fable-5%e3%83%bbmythos-5-%e7%b7%8a%e6%80%a5%e5%81%9c%e6%ad%a2%e4%ba%8b%e4%bb%b6-%e2%80%95-%e4%bd%95%e3%81%8c%e8%b5%b7%e3%81%8d%e3%81%9f%e3%81%ae%e3%81%8b%e7%b7%8f%e3%81%be%e3%81%a8%e3%82%81/</link>
				<pubDate>Mon, 15 Jun 2026 01:30:21 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[claude]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9699</guid>
				<description><![CDATA[Claude Fable 5・Mythos 5 緊急停止事件 ― 何が起きたのか総まとめ 2026年6月9日、Anthropicは新モデル「Claude Fable 5」(一般公開版)と「Claude Mythos 5」(限定版)を発表しました。しかしその直後、わずか数日のうちに米国政府による輸出管理指令でアクセスが世界中で完全停止されるという、業界を揺るがす事態に発展しました。本記事では、この一連の経緯を確認できた情報源とともに整理します。 モデルの概要と発表時の評価 両モデルは同じ基盤(Mythos-class)を持ち、安全ガードレールの強さで区別されています。Fable 5はサイバーセキュリティ、生物・化学関連などの高リスク領域で自動的にOpus 4.8へフォールバックする仕組みを搭載した一般公開版、Mythos 5はその制約が一部緩和された限定提供版です。 発表時のベンチマークでは、SWE-Bench Proで80.3%(Opus 4.8は69.2%、GPT-5.5は58.6%)、FrontierCode Diamondで29.3%(Opus 4.8は13.4%、GPT-5.5は5.7%)といった高い [&#8230;]]]></description>
									</item>
		<item>
		<title>エージェント型AIとLLMの違い、そして「できること」の本当の範囲</title>
		<link>https://aidev.bluegarage.site/blog/2026/06/12/%e3%82%a8%e3%83%bc%e3%82%b8%e3%82%a7%e3%83%b3%e3%83%88%e5%9e%8bai%e3%81%a8llm%e3%81%ae%e9%81%95%e3%81%84%e3%80%81%e3%81%9d%e3%81%97%e3%81%a6%e3%80%8c%e3%81%a7%e3%81%8d%e3%82%8b%e3%81%93%e3%81%a8/</link>
				<pubDate>Fri, 12 Jun 2026 01:27:54 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[claude]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[エラー]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9696</guid>
				<description><![CDATA[LLMとエージェントの違い LLM(大規模言語モデル)は、テキストを入力として受け取り、テキストを出力する基盤モデルそのものです。質問応答や文章生成など、単発の対話に強みがあります。 エージェント型のAI(例:Claude Code)は、LLMを中核として、ファイル操作・コード実行・テスト・検索などのツールを自律的に組み合わせ、複数ステップのタスクを自分で計画・実行・検証するシステムです。LLMが「頭脳」、エージェントは「頭脳+手足+判断ループ」と言えます。 主な違いは次の通りです。 動作範囲:LLMは1回の入出力で完結。エージェントは目標達成まで複数回のツール呼び出し・自己修正を繰り返す 環境との接続:LLMはテキストのみ。エージェントはファイルシステム、ターミナル、APIなどの実環境にアクセスできる 自律性:LLMは応答を生成するだけ。エージェントは計画立案→実行→確認→修正のループを自律的に回す 状態管理:エージェントはタスクの進行状況やコンテキストを保持しながら作業を継続する LLM自体はエージェントを動かす「エンジン」であり、エージェントはそのエンジンに自律的な実行能力を持たせたアプリケーションです [&#8230;]]]></description>
									</item>
		<item>
		<title>2026年版｜中国系AI APIは本当に危険なのか？DeepSeek・Qwen・GLMを価格・性能・セキュリティで徹底比較</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/28/2026%e5%b9%b4%e7%89%88%ef%bd%9c%e4%b8%ad%e5%9b%bd%e7%b3%bbai-api%e3%81%af%e6%9c%ac%e5%bd%93%e3%81%ab%e5%8d%b1%e9%99%ba%e3%81%aa%e3%81%ae%e3%81%8b%ef%bc%9fdeepseek%e3%83%bbqwen%e3%83%bbglm%e3%82%92/</link>
				<pubDate>Thu, 28 May 2026 01:34:28 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[claude]]></category>
		<category><![CDATA[deepseek]]></category>
		<category><![CDATA[google]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[Qwen]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9681</guid>
				<description><![CDATA[生成AIブームが続く中、2025〜2026年にかけて急速に存在感を高めているのが、中国系LLM（大規模言語モデル）です。 特に、 DeepSeek Qwen GLM Kimi Doubao などは、驚異的な低価格で高性能APIを提供し、世界中の開発者に利用され始めています。 一方で、 「中国製AIは危険なのでは？」 「アメリカ製なら安全？」 「実際に企業はどれを使っている？」 という疑問を持つ人も多いでしょう。 この記事では、2026年時点での中国系AI APIについて、 価格比較 性能比較 実務での利用状況 中国AIが安い理由 セキュリティ上の懸念 アメリカ製AIとの違い をまとめて解説します。 中国系AI APIとは？ 中国系AI APIとは、中国企業が開発・提供しているLLM（大規模言語モデル）のAPIサービスです。 代表的な企業には以下があります。 DeepSeek Alibaba Cloud（Qwen） Zhipu AI（GLM） Moonshot AI（Kimi） ByteDance（Doubao） 近年はOpenAIやAnthropicに匹敵する性能を、圧倒的な低価格で提供することで急成長してい [&#8230;]]]></description>
									</item>
		<item>
		<title>AI生成コンテンツはAI生成コンテンツを学ぶことで「劣化」していく可能性</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/26/ai%e7%94%9f%e6%88%90%e3%82%b3%e3%83%b3%e3%83%86%e3%83%b3%e3%83%84%e3%81%afai%e7%94%9f%e6%88%90%e3%82%b3%e3%83%b3%e3%83%86%e3%83%b3%e3%83%84%e3%82%92%e5%ad%a6%e3%81%b6%e3%81%93%e3%81%a8%e3%81%a7/</link>
				<pubDate>Tue, 26 May 2026 01:44:02 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[chatgpt]]></category>
		<category><![CDATA[google]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9679</guid>
				<description><![CDATA[ChatGPTをはじめとする生成AIの普及により、ウェブ上のコンテンツは急速にAI生成物で埋め尽くされつつあります。しかしその一方で、「AIで書いた記事は検索エンジンで評価されない」「AIがAIのコンテンツを学習することで質が落ちていく」という懸念も広まっています。 本記事では、これらの問題の実態を整理したうえで、今後AI生成コンテンツの質は上がるのか下がるのか、複数の観点から考察します。 1. Googleの公式スタンス：AIコンテンツは本当にペナルティを受けるのか 結論から言えば、GoogleはAI生成コンテンツそのものを禁止・ペナルティの対象とはしていません。Googleの公式ガイドラインにはこう明記されています。 「自動化（AIを含む）を使って、検索結果でのランキングを操作する目的でコンテンツを生成することは、スパムポリシー違反にあたります。ただし、自動化のすべての使用がスパムに該当するわけではありません。」 — Google Search Central つまりGoogleが問題にしているのは「AIかどうか」ではなく、「ランキング操作を目的とした低品質コンテンツかどうか」です。 しかし実態は少し複雑 [&#8230;]]]></description>
									</item>
		<item>
		<title>Qwenモデルファミリーについてまとめてみました</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/22/qwen%e3%83%a2%e3%83%87%e3%83%ab%e3%83%95%e3%82%a1%e3%82%a4%e3%83%9f%e3%83%aa%e3%83%bc%e3%81%ab%e3%81%a4%e3%81%84%e3%81%a6%e3%81%be%e3%81%a8%e3%82%81%e3%81%a6%e3%81%bf%e3%81%be%e3%81%97%e3%81%9f/</link>
				<pubDate>Fri, 22 May 2026 01:22:01 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[claude]]></category>
		<category><![CDATA[Hugging Face]]></category>
		<category><![CDATA[inference]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[Qwen]]></category>
		<category><![CDATA[vae]]></category>
		<category><![CDATA[ライセンス]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9673</guid>
				<description><![CDATA[「Qwenってよく聞くけど、モデルが多すぎて何が何だかわからない」——そんな声をよく耳にします。本記事では、Qwenの概要・ライセンス・モデルファミリーの全体像をわかりやすく整理します。 Qwenとは Qwen（クウェン）は、中国テック大手 Alibaba Cloud（アリババクラウド） が開発・公開する大規模AIモデルのファミリー総称です。正式名称は 通義千問（Tōngyì Qiānwèn）。「千（Qian）＝千」と「問（Wen）＝問い」を組み合わせた名前で、「無数の問いに答える」という意味を持っています。 2023年4月に最初のモデルが公開され、現在はテキスト生成・画像理解・音声・コード・画像生成と、モダリティをまたいだ多数のモデルが展開されています。多くのモデルがオープンウェイト（重みを公開）で提供されており、ローカル実行やファインチューニングが可能な点が大きな特徴です。 ライセンスについて Qwenのライセンスは モデルによって異なります ので、利用前に必ず確認するようにしましょう。主な区分は以下のとおりです。 ライセンス種別 主な対象モデル 商用利用 Apache 2.0 Qwen3シリーズ全般、Q [&#8230;]]]></description>
									</item>
		<item>
		<title>LLMはなぜコードが書けるのか？現状・限界・リスク</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/21/llm%e3%81%af%e3%81%aa%e3%81%9c%e3%82%b3%e3%83%bc%e3%83%89%e3%81%8c%e6%9b%b8%e3%81%91%e3%82%8b%e3%81%ae%e3%81%8b%ef%bc%9f%e7%8f%be%e7%8a%b6%e3%83%bb%e9%99%90%e7%95%8c%e3%83%bb%e3%83%aa%e3%82%b9/</link>
				<pubDate>Thu, 21 May 2026 01:29:15 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[chatgpt]]></category>
		<category><![CDATA[claude]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9671</guid>
				<description><![CDATA[ChatGPTやClaude、GitHub CopilotなどのLLM（大規模言語モデル）が、プログラムコードをすらすら書く姿を見て「なぜ？」と思ったことはないでしょうか。また、実際に使ってみると「意外と使えない場面もある」と感じた方も多いはず。 この記事では、LLMがコードを書ける仕組みから、現在の実用レベル、エラーを防ぐ方法、そして将来の限界までを解説いたします。 なぜLLMはプログラムが書けるのか コードも「テキスト」だからです。 LLMは「次に来るトークン（単語や記号）を予測する」モデルです。プログラムコードも人間の言語と同様に文字の並びであるため、同じ仕組みで扱えます。具体的な理由は以下の4点です。 大量のコードで学習している：GitHubやStack Overflowなど、インターネット上には膨大なコードが存在します。 コードは言語に似た構造を持つ：文法（シンタックス）・意味（セマンティクス）・文脈による正解の決まり方など、自然言語と共通する構造があります。 コードはパターンの繰り返し：「ファイルを読み込む」「ループを回す」「APIを叩く」など、頻出パターンが大量に学習されています。 説明文とコー [&#8230;]]]></description>
									</item>
		<item>
		<title>Pythonでローカル環境にAI生成画像判定ツールを作る方法【サンプルコード付き】</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/20/python%e3%81%a7%e3%83%ad%e3%83%bc%e3%82%ab%e3%83%ab%e7%92%b0%e5%a2%83%e3%81%abai%e7%94%9f%e6%88%90%e7%94%bb%e5%83%8f%e5%88%a4%e5%ae%9a%e3%83%84%e3%83%bc%e3%83%ab%e3%82%92%e4%bd%9c%e3%82%8b%e6%96%b9/</link>
				<pubDate>Wed, 20 May 2026 02:01:18 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[pipeline]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[transformer]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9669</guid>
				<description><![CDATA[AI画像生成技術の進化によって、実写と区別が難しい画像も増えてきました。「この画像はAI生成なのか？」と確認したい場面もあると思います。 オンラインサービスを使う方法もありますが、画像を外部へアップロードしたくない場合は、ローカル環境で動作する判定ツールが便利です。 この記事では、Pythonを使ってローカルPC上でAI生成画像を判定する簡単なサンプルを紹介します。 ローカル判定のメリット ローカル実行には次のような利点があります。 画像を外部サーバーへ送信しない オフラインでも動作可能 大量の画像をまとめて処理しやすい 自分で処理内容をカスタマイズできる 一方で注意点もあります。 AI生成画像判定は「100%正確」ではありません。最近の生成モデルは非常に高品質で、スクリーンショット化や圧縮後の画像では精度が下がることがあります。 そのため、判定結果は「参考情報」として扱うのがおすすめです。 動作環境 今回のサンプルでは以下を使用します。 Python 3.10以上推奨 PyTorch Transformers Pillow 必要ライブラリをインストール まずは必要なライブラリをインストールします。 pip  [&#8230;]]]></description>
									</item>
		<item>
		<title>AIで3Dモデルを作る実践ガイド：得意なもの・苦手なものと効率的な制作フロー</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/18/ai%e3%81%a73d%e3%83%a2%e3%83%87%e3%83%ab%e3%82%92%e4%bd%9c%e3%82%8b%e5%ae%9f%e8%b7%b5%e3%82%ac%e3%82%a4%e3%83%89%ef%bc%9a%e5%be%97%e6%84%8f%e3%81%aa%e3%82%82%e3%81%ae%e3%83%bb%e8%8b%a6%e6%89%8b/</link>
				<pubDate>Mon, 18 May 2026 01:45:34 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9663</guid>
				<description><![CDATA[近年は画像や文章から3Dモデルを生成するAIが急速に進化しています。以前は専門的な3Dソフトの知識が必要だった作業も、現在は数分でベースモデルを作れるようになりました。 ただし、実際に使ってみると「思ったより綺麗に作れない部分」もあります。AIは万能ではなく、得意なものと苦手なものがかなりはっきりしています。 この記事では、AIで実用的な3Dモデルを作る方法と、効率のよい制作手順を紹介します。 Tripo AIとは？ 3D生成AIの中でも比較的人気が高いサービスの1つが、Tripo AI公式サイト です。 Tripo AIはテキストや画像から3Dモデルを生成できるサービスで、「Text to 3D」「Image to 3D」機能を備えています。画像をアップロードして短時間で3D化できる点が特徴で、コンセプト作成やベースモデル作成の用途で使いやすい設計になっています。 実際に使用すると、特に以下のような特徴があります。 得意なこと 有機的な形状 岩や自然地形 モンスターや生物 コンセプトアートの立体化 ベースモデル作成 苦手なこと 綺麗な低ポリゴン構造 シャープなエッジ 正確な文字 規則的な構造物 完全な完成品 [&#8230;]]]></description>
									</item>
		<item>
		<title>DeepSeek V4 FlashのAPIでJSON出力が空になる問題と対処法</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/15/deepseek-v4-flash%e3%81%aeapi%e3%81%a7json%e5%87%ba%e5%8a%9b%e3%81%8c%e7%a9%ba%e3%81%ab%e3%81%aa%e3%82%8b%e5%95%8f%e9%a1%8c%e3%81%a8%e5%af%be%e5%87%a6%e6%b3%95/</link>
				<pubDate>Fri, 15 May 2026 05:35:39 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[deepseek]]></category>
		<category><![CDATA[エラー]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9660</guid>
				<description><![CDATA[DeepSeek V3では問題なく動作していたJSON出力が、V4 Flashに移行した途端に壊れる・空になるというケースが多数報告されています。この記事では原因の調査過程と、現時点で取れる対策をまとめます。 症状：content が空白トークンで埋まって返ってくる 典型的な症状は以下のようなレスポンスです。completion_tokens が 150〜220 あるにもかかわらず、content がスペースだらけで実質空になっています。 Array ( [choices] =&#62; Array ( [0] =&#62; Array ( [message] =&#62; Array ( [role] =&#62; assistant [content] =&#62; (空白のみ) ) [finish_reason] =&#62; stop ) ) [usage] =&#62; Array ( [completion_tokens] =&#62; 220 [total_tokens] =&#62; 1764 ) ) トークンは消費されているのに出力が空、という厄介な挙動です。 原因1：thinking モードがデフォルトで有 [&#8230;]]]></description>
									</item>
		<item>
		<title>WindowsでVOICEVOXを使いPythonから日本語を話させる方法</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/08/windows%e3%81%a7voicevox%e3%82%92%e4%bd%bf%e3%81%84python%e3%81%8b%e3%82%89%e6%97%a5%e6%9c%ac%e8%aa%9e%e3%82%92%e8%a9%b1%e3%81%95%e3%81%9b%e3%82%8b%e6%96%b9%e6%b3%95/</link>
				<pubDate>Fri, 08 May 2026 01:32:39 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[Windows]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9655</guid>
				<description><![CDATA[VOICEVOXとは？ VOICEVOXは、無料で使えるローカル動作の音声合成ソフトです。ずんだもん・四国めたん・春日部つむぎなど、個性豊かなキャラクターボイスを使って日本語テキストを音声に変換できます。 完全ローカル動作（インターネット不要） 商用・個人利用ともに無料（各キャラクターの利用規約要確認） REST API経由でPythonから簡単に呼び出し可能 Windows / Mac / Linux 対応 VOICEVOX Engineのダウンロード GUIアプリが不要な場合は、エンジン単体版をダウンロードするのがおすすめです。 以下の GitHub Releases ページにアクセスします。 https://github.com/VOICEVOX/voicevox_engine/releases 最新バージョンの Assets から Windows 用ファイルを選択します。 GPU版（NVIDIA GPU搭載の場合）：windows-nvidia-*.zip CPU版（一般的なPC）：windows-cpu-*.zip ZIPファイルをダウンロードし、好きな場所に展開します。 例：C:\voicevox [&#8230;]]]></description>
									</item>
		<item>
		<title>【完全無料】Ollamaで“ChatGPTみたいなAI”をローカルPCで動かす方法｜VRAM 8GBでもOK・セキュリティ安心</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/07/%e3%80%90%e5%ae%8c%e5%85%a8%e7%84%a1%e6%96%99%e3%80%91ollama%e3%81%a7chatgpt%e3%81%bf%e3%81%9f%e3%81%84%e3%81%aaai%e3%82%92%e3%83%ad%e3%83%bc%e3%82%ab%e3%83%abpc%e3%81%a7%e5%8b%95/</link>
				<pubDate>Thu, 07 May 2026 03:16:37 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[chatgpt]]></category>
		<category><![CDATA[claude]]></category>
		<category><![CDATA[deepseek]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[Windows]]></category>
		<category><![CDATA[エラー]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9651</guid>
				<description><![CDATA[「ChatGPTみたいなAIを、自分のPCだけで無料＆無制限に使いたい」 そんな人におすすめなのが、ローカルAI実行ツール Ollama と、高性能モデル DeepSeek-R1 の組み合わせです。 この方法なら、 月額料金なし API料金なし 回数制限なし 入力データが外部送信されない オフラインでも使える PHPなどのプログラミングも可能 という、かなり強力な環境を作れます。 しかも、VRAM 8GBクラスのGPUでも動作可能です。 今回は、Windows環境で初心者でもできる導入方法を、5ステップで解説します。 Ollamaとは？ Ollama公式サイト Ollamaは、AIモデルを自分のPCで簡単に動かせる無料ツールです。 通常、ChatGPT系AIはクラウド上で動作しますが、Ollamaを使うと、 自宅PC ゲーミングPC ノートPC などでローカル実行できます。 つまり、会話内容やコードが外部サーバーへ送信されません。 企業の機密情報やソースコードを扱う人にも人気があります。 DeepSeek-R1とは？ DeepSeek公式サイト DeepSeek-R1は、高性能な推論型AIモデルです。 特に強 [&#8230;]]]></description>
									</item>
		<item>
		<title>ONNX変換時のエラー「MultiHeadAttention の次元不一致」を徹底解説｜dynamic_axesとは何か？</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/23/onnx%e5%a4%89%e6%8f%9b%e6%99%82%e3%81%ae%e3%82%a8%e3%83%a9%e3%83%bc%e3%80%8cmultiheadattention-%e3%81%ae%e6%ac%a1%e5%85%83%e4%b8%8d%e4%b8%80%e8%87%b4%e3%80%8d%e3%82%92%e5%be%b9%e5%ba%95%e8%a7%a3/</link>
				<pubDate>Thu, 23 Apr 2026 00:38:12 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[inference]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9638</guid>
				<description><![CDATA[ONNXモデルを読み込む際に、以下のようなエラーに遭遇したことはありませんか？ Node (MultiHeadAttention_28) Op (MultiHeadAttention) [ShapeInferenceError] Inputs 0 (query) shall be 3 or 5 dimensions この記事では、このエラーの意味と原因、さらに解決に重要な「dynamic_axes」の考え方と書き方について、実践的に解説します。 エラーの意味を分解する まずはエラーメッセージを分解して理解しましょう。 該当箇所 Inputs 0 (query) shall be 3 or 5 dimensions 意味 Inputs 0 (query) → MultiHeadAttentionの最初の入力（query） shall be 3 or 5 dimensions → 3次元または5次元でなければならない つまり、 「queryとして渡されたテンソルの次元数が想定と違う」 というエラーです。 MultiHeadAttentionが要求する入力形状 MultiHeadAttentionでは、通常以下のよ [&#8230;]]]></description>
									</item>
		<item>
		<title>DiffusionとTransformerの境界が曖昧になっている理由</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/15/diffusion%e3%81%a8transformer%e3%81%ae%e5%a2%83%e7%95%8c%e3%81%8c%e6%9b%96%e6%98%a7%e3%81%ab%e3%81%aa%e3%81%a3%e3%81%a6%e3%81%84%e3%82%8b%e7%90%86%e7%94%b1/</link>
				<pubDate>Wed, 15 Apr 2026 01:19:49 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[U-Net]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9622</guid>
				<description><![CDATA[近年のAIモデルを見ていると、「Diffusion」と「Transformer」という2つの技術の境界がどんどん曖昧になってきています。 特に画像生成やマルチモーダルAIの分野では、この2つが組み合わさるのが当たり前になりつつあります。 本記事では、その理由を整理しながら、なぜこのような変化が起きているのかを分かりやすく解説します。 DiffusionとTransformerの本質的な違い まず重要なのは、この2つはそもそも役割が異なる技術だという点です。 Diffusion：データを生成する「プロセス（手順）」 Transformer：データを処理する「モデル構造（アーキテクチャ）」 つまり、 Diffusion → 「どうやって生成するか」 Transformer → 「どうやって計算するか」 という関係です。 この時点で分かる通り、両者は競合ではなく、組み合わせ可能な関係にあります。 理由①：役割が直交しているため自由に組み合わせできる 従来は以下のようなイメージがありました。 Transformer → テキスト処理 Diffusion → 画像生成 しかし本質的にはそうではなく、 Diffusion [&#8230;]]]></description>
									</item>
		<item>
		<title>Stable Diffusionで思い通りの画像を生成するために学習データから理解する</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/09/stable-diffusion%e3%81%a7%e6%80%9d%e3%81%84%e9%80%9a%e3%82%8a%e3%81%ae%e7%94%bb%e5%83%8f%e3%82%92%e7%94%9f%e6%88%90%e3%81%99%e3%82%8b%e3%81%9f%e3%82%81%e3%81%ab%e5%ad%a6%e7%bf%92%e3%83%87%e3%83%bc/</link>
				<pubDate>Thu, 09 Apr 2026 00:54:10 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[Hugging Face]]></category>
		<category><![CDATA[LoRA]]></category>
		<category><![CDATA[Stable Diffusion]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9616</guid>
				<description><![CDATA[Stable Diffusionで思い通りの画像を生成するには、モデルがどのように学習されているかを理解することが近道です。この記事では、主要な学習データセットの構造を解説しながら、そこから導き出せるプロンプトのコツをまとめます。 学習データセットとは何か Stable Diffusionのような画像生成AIは、大量の「画像とテキストのペア」を使って学習します。モデルは「このテキストが入力されたとき、この画像に近いものを生成せよ」という対応関係を膨大なデータから学びます。つまり、学習データの特性がそのままプロンプトの効き方に直結するのです。 LAION-5B / LAION-Aesthetics の詳細 LAION-5Bとは LAION-5B（論文：arxiv 2210.08402）は、LAION（Large-scale Artificial Intelligence Open Network）が公開した約58.5億件の画像とテキストのペアからなる超大規模データセットです。Stable Diffusion v1の学習にも使用されており、現代の画像生成AIの基盤となっています。 データ構造の特徴 LAION-5 [&#8230;]]]></description>
									</item>
		<item>
		<title>OpenRAILとは？初心者でもわかる「責任あるAIライセンス」の仕組み。できることできない事</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/26/openrail%e3%81%a8%e3%81%af%ef%bc%9f%e5%88%9d%e5%bf%83%e8%80%85%e3%81%a7%e3%82%82%e3%82%8f%e3%81%8b%e3%82%8b%e3%80%8c%e8%b2%ac%e4%bb%bb%e3%81%82%e3%82%8bai%e3%83%a9%e3%82%a4%e3%82%bb%e3%83%b3%e3%82%b9/</link>
				<pubDate>Thu, 26 Mar 2026 01:47:23 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[ライセンス]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9585</guid>
				<description><![CDATA[近年、画像生成AIやテキスト生成AIの普及に伴い、「AIモデルの利用ルール」が重要視されています。 その中でも注目されているのが OpenRAIL（Open Responsible AI License） です。 この記事では、OpenRAILの概要から「できること・できないこと」まで、わかりやすく解説します。 ■ OpenRAILとは？ OpenRAILとは、 AIモデルの自由な利用を認めつつ「責任ある使い方」を義務付けるライセンスです。 従来のオープンソースライセンス（MITやApacheなど）は、主に「自由に使えること」に重点を置いていますが、OpenRAILはそれに加えて、 社会的に有害な使い方を禁止する 倫理的な責任を利用者に課す という特徴があります。 ■ なぜOpenRAILが必要なのか？ AIは非常に強力な技術である一方で、悪用のリスクもあります。 例えば： ディープフェイクの作成 フェイクニュースの拡散 差別的・暴力的コンテンツの生成 こうした問題を防ぐために、 **「使い方にルールを設けたオープンライセンス」**としてOpenRAILが作られました。 ■ OpenRAILでできること（許可 [&#8230;]]]></description>
									</item>
	</channel>
</rss>
