<?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:アプリケーション開発 &#8211; AIディベロッパーblog</title>
	<atom:link href="https://aidev.bluegarage.site/blog/category/application-development/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>Fri, 10 Jul 2026 01:46:24 +0000</lastBuildDate>
	<language>ja</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	
	<item>
		<title>PyTorchでDirectMLを使う「torch-directml」とは？</title>
		<link>https://aidev.bluegarage.site/blog/2026/07/10/pytorch%e3%81%a7directml%e3%82%92%e4%bd%bf%e3%81%86%e3%80%8ctorch-directml%e3%80%8d%e3%81%a8%e3%81%af%ef%bc%9f/</link>
				<pubDate>Fri, 10 Jul 2026 01:46:24 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[CUDA]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[Qwen]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[wan]]></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=9735</guid>
				<description><![CDATA[WindowsでAIを動かそうとすると、よく見かけるのが CUDA と DirectML です。 NVIDIA製GPUであればCUDAが一般的ですが、AMDやIntelのGPU、あるいはCUDAを使えない環境では DirectML が選択肢になります。 そのDirectMLをPyTorchから利用するためのライブラリが torch-directml です。 この記事では、torch-directmlとは何か、必要になる場面、制限事項、インストール方法、使い方についてまとめます。 torch-directmlとは？ torch-directmlは、PyTorchからMicrosoft DirectMLを利用するためのライブラリです。 DirectMLはWindowsのDirectX 12上で動作する機械学習アクセラレーションAPIで、 AMD GPU Intel GPU NVIDIA GPU など、DirectX 12対応GPUであれば利用できます。 つまり、CUDAが使えない環境でもGPUでPyTorchを実行できるようになります。 いつ必要になるの？ 必要になるのは 「PyTorchでDirectMLを利用 [&#8230;]]]></description>
									</item>
		<item>
		<title>「話しかけると自動で認識して自然な声で返答してくれるシステム」をWindows環境に構築</title>
		<link>https://aidev.bluegarage.site/blog/2026/07/07/%e3%80%8c%e8%a9%b1%e3%81%97%e3%81%8b%e3%81%91%e3%82%8b%e3%81%a8%e8%87%aa%e5%8b%95%e3%81%a7%e8%aa%8d%e8%ad%98%e3%81%97%e3%81%a6%e8%87%aa%e7%84%b6%e3%81%aa%e5%a3%b0%e3%81%a7%e8%bf%94%e7%ad%94%e3%81%97/</link>
				<pubDate>Tue, 07 Jul 2026 01:18:49 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[CUDA]]></category>
		<category><![CDATA[deepseek]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[Windows]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9730</guid>
				<description><![CDATA[ローカルPC上で完全に動作する音声会話AIを作る方法を解説します。DeepSeek-R1（Ollama）・Silero VAD・Whisper・VOICEVOXを組み合わせて、「話しかけると自動で認識して自然な声で返答してくれるシステム」をWindows環境に構築します。 システム構成 マイク音声 ↓ Silero VAD（発話検出） ← 声が来たら自動で反応 ↓ Whisper（音声→テキスト） ↓ DeepSeek-R1 / Ollama（AIの返答生成） ↓ VOICEVOX（テキスト→自然な音声） ↓ スピーカー 必要なもの ツール 用途 入手先 Python（embed版 or 通常版） スクリプト実行 python.org ollama.exe AIモデルのサーバー github.com/ollama/ollama/releases VOICEVOX（run.exe） 日本語音声合成 voicevox.hiroshiba.jp ffmpeg.exe Whisperの音声前処理 github.com/BtbN/FFmpeg-Builds/releases フォルダ構成 すべてを1つのフォルダにまとめ [&#8230;]]]></description>
									</item>
		<item>
		<title>AIが作ったコードをAIにデバッグさせる実践的方法論</title>
		<link>https://aidev.bluegarage.site/blog/2026/06/24/ai%e3%81%8c%e4%bd%9c%e3%81%a3%e3%81%9f%e3%82%b3%e3%83%bc%e3%83%89%e3%82%92ai%e3%81%ab%e3%83%87%e3%83%90%e3%83%83%e3%82%b0%e3%81%95%e3%81%9b%e3%82%8b%e5%ae%9f%e8%b7%b5%e7%9a%84%e6%96%b9%e6%b3%95/</link>
				<pubDate>Wed, 24 Jun 2026 02:10:36 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9723</guid>
				<description><![CDATA[AIが作ったコードをAIにデバッグさせる実践的方法論 AIが生成した小規模ソフトウェアは「大まかには動く」状態でも、そのまま公開するのは危険である可能性があります。エラーが出ていない段階でも潜むリスクと、それをAI自身に検証させる方法をまとめます。 AIが作るコードのバグに関する主要な研究とその結果 1. 最も包括的な査読論文（2026年3月・arXiv） 「Debt Behind the AI Boom」― シンガポール経営大学ほか GitHub上の6,275リポジトリから30万4,362件のAI作成コミットを収集し、静的解析で各コミットの前後を比較した大規模実証研究。 arXiv 主な結果： すべてのAIツールにおいて、15%以上のコミットが少なくとも1件の問題を導入している arXiv 追跡した問題の24.2%が最新リビジョン時点でもまだ残存している――つまり4件に1件は修正されないまま蓄積する AIが生成したコードに固有のバグパターン 人間が書いたコードとAIが書いたコードでは、バグの出方が違います。AIに固有のパターンを知っておくことが、効果的なデバッグの前提になります。 「動いているように見える」 [&#8230;]]]></description>
									</item>
		<item>
		<title>無制限に無料でAIコーディング　VRAM 8GB のノートPCでQwen3 Coderを動かしてみる</title>
		<link>https://aidev.bluegarage.site/blog/2026/06/18/%e7%84%a1%e5%88%b6%e9%99%90%e3%81%ab%e7%84%a1%e6%96%99%e3%81%a7ai%e3%82%b3%e3%83%bc%e3%83%87%e3%82%a3%e3%83%b3%e3%82%b0%e3%80%80vram-8gb-%e3%81%ae%e3%83%8e%e3%83%bc%e3%83%88pc%e3%81%a7qwen3-coder/</link>
				<pubDate>Thu, 18 Jun 2026 07:46:58 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[chatgpt]]></category>
		<category><![CDATA[claude]]></category>
		<category><![CDATA[deepseek]]></category>
		<category><![CDATA[inference]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[Qwen]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9706</guid>
				<description><![CDATA[無制限に無料でAIコーディングできるオープンソースのモデルQwen3 Coder　をVRAM 8GB のノートPCで動かしてみてその実力を見てみたいと思います。 まずこちらの記事に従いOllamaを入れます。このソフトはローカルでChatGPTのような感じでLLMを動かすためのソフトです。 次にモデル選択画面プルダウンで、qwen3-coderと入れて、qwen3-coderを選択状態にし何でもいいのでチャットを行います。 するとモデルのダウンロードが自動で始まります。(１７GBあるので結構時間がかかりますので待ちます) 意図的にコードにバグを仕込んで修正できるか試してみる あるコードを少しカスタマイズして下記のような絶対通らないIF文を作りOllamaにこのファイルを＋ボタンから追加して原因を聞いてみました。 if(!empty($youtubeId) &#38;&#38; 1==2){ $replace = [ &#8216;https://youtu.be/&#8217; =&#62; &#8221;, &#8216;https://www.youtube.com/watch?v=&#8217; =&#038;gt [&#8230;]]]></description>
									</item>
		<item>
		<title>AIエージェント型コーディングで頻発する「Infinite Loop / Spinning」とは？またその回避方法は？</title>
		<link>https://aidev.bluegarage.site/blog/2026/06/16/ai%e3%82%a8%e3%83%bc%e3%82%b8%e3%82%a7%e3%83%b3%e3%83%88%e5%9e%8b%e3%82%b3%e3%83%bc%e3%83%87%e3%82%a3%e3%83%b3%e3%82%b0%e3%81%a7%e9%a0%bb%e7%99%ba%e3%81%99%e3%82%8b%e3%80%8cinfinite-loop-spinning/</link>
				<pubDate>Tue, 16 Jun 2026 01:46:02 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[claude]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9701</guid>
				<description><![CDATA[エージェント型AIにコードの修正や実装を任せていると、いつまで経っても作業が終わらず、トークンだけが膨大に消費されてしまう現象に遭遇することがあります。これは「Infinite Loop（無限ループ）」または「Spinning（スピニング）」と呼ばれる、エージェント型コーディングシステムの既知の問題です。 本記事では、この現象がなぜ起きるのか、どう防ぐのか、そして万が一ループに入ってしまったときの対処法と、AIコストが人間コストを上回る条件についての研究動向まで解説します。 なぜ堂々巡りになるのか？ 主な原因 1. エラー修正の連鎖 最もよく見られるケースです。コードを修正するとテストが失敗し、別の箇所を修正すると今度は最初のテストが壊れる、という繰り返しが発生します。特に依存関係が複雑なコードベースで起きやすい傾向があります。 2. 曖昧な指示・ゴールの未定義 「うまく動くようにして」といった成功条件が不明確な指示では、エージェントが「完了」を自分で判断できず、改善を試み続けます。 3. ツール呼び出し結果の誤解釈 テスト結果やコンパイルエラーの出力を誤読し、「修正できた」と誤判断して先に進んだ結果、同じエ [&#8230;]]]></description>
									</item>
		<item>
		<title>なぜAIコーディングは途中から詰まるのか</title>
		<link>https://aidev.bluegarage.site/blog/2026/06/09/%e3%81%aa%e3%81%9cai%e3%82%b3%e3%83%bc%e3%83%87%e3%82%a3%e3%83%b3%e3%82%b0%e3%81%af%e9%80%94%e4%b8%ad%e3%81%8b%e3%82%89%e8%a9%b0%e3%81%be%e3%82%8b%e3%81%ae%e3%81%8b/</link>
				<pubDate>Tue, 09 Jun 2026 00:53:15 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9693</guid>
				<description><![CDATA[「AIにコードを書かせれば、プログラミングを知らなくてもアプリが作れる」——そんな期待を持ってAIコーディングを始めた方は多いはずです。しかし実際には、ある程度まで進んだところで突然動かなくなる・進まなくなるという壁にぶつかるケースが後を絶ちません。 この記事では、AIコーディングが途中で詰まる本当の原因と、その対策を解説します。そして最後に、残念ながら現状プログラミングスキルとコードを読む力は不要にならないという現実についてもお伝えします。 原因1：コンテキストの肥大化とトークン枯渇 AIとのやり取りを重ねるほど、会話の履歴・読み込んだコード・推論の結果が積み重なり、処理できる情報量（コンテキストウィンドウ）を超えていきます。1回のプロンプト処理で消費されるトークンは： システムプロンプト 会話履歴の全文 読み込んだファイル群 AIの推論・出力 これらすべてが積み上がるため、会話が長くなるほどコストと処理量が増大し続け、最終的には上限に達して正確な応答ができなくなります。「序盤は快調だったのに、後半から急におかしくなった」という経験はこれが原因です。 原因2：変更が積み重なるほど「前提の崩壊」が起きる AI [&#8230;]]]></description>
									</item>
		<item>
		<title>AIによるソフトウェア開発でコードが増えれば増えるほどAIのコーディングパフォーマンスが低下する問題</title>
		<link>https://aidev.bluegarage.site/blog/2026/06/01/ai%e3%81%a7%e3%82%bd%e3%83%95%e3%83%88%e3%82%a6%e3%82%a7%e3%82%a2%e9%96%8b%e7%99%ba%e3%81%a7%e3%82%b3%e3%83%bc%e3%83%89%e3%81%8c%e5%a2%97%e3%81%88%e3%82%8c%e3%81%b0%e5%a2%97%e3%81%88%e3%82%8b%e3%81%bb/</link>
				<pubDate>Mon, 01 Jun 2026 01:29:53 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[claude]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9685</guid>
				<description><![CDATA[当社ではエージェント型AI(自分でプロジェクト全体のコードを大まかに調査把握できる)も含めて使ってみてAIでどれだけソフトウェア全体を構築できるのかを制作しながら実験していますが、その際にコードが増えれば増えるほどAIのコーディングパフォーマンスが低下する問題が発生することが体感としてわかってきました。 AIを使ったソフトウェア開発は急速に普及していますが、実際に使ってみると「Aiの作業がどんどん遅くなった」「コードが大きくなればなるほどバグが増えた」という経験をする人も多いはずです。この記事では、AIとの開発でよく起きる問題とその原因、効率的な使い方のコツ、そして今後の展望まで、解説します。 1. AIでの開発で作業が遅くなる・バグが増えるのはよくあること？ 結論からいうと、よくある問題です。 主な原因は以下の通りです。 コンテキストウィンドウの問題 AIはセッション間で記憶を持たないため、毎回コードベース全体を「再読み込み」する必要がある コードが大きくなるほど、関連ファイルをすべて渡すのが難しくなる 重要なコンテキストが抜けると、AIが的外れな変更をしやすい 「大量検査」によるバグの典型パターン 変更が [&#8230;]]]></description>
									</item>
		<item>
		<title>AIで中規模ソフトウェアを丸ごと作るのは可能か？その方法論と限界</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/25/ai%e3%81%a7%e4%b8%ad%e8%a6%8f%e6%a8%a1%e3%82%bd%e3%83%95%e3%83%88%e3%82%a6%e3%82%a7%e3%82%a2%e3%82%92%e4%b8%b8%e3%81%94%e3%81%a8%e4%bd%9c%e3%82%8b%e3%81%ae%e3%81%af%e5%8f%af%e8%83%bd%e3%81%8b%ef%bc%9f/</link>
				<pubDate>Mon, 25 May 2026 01:58:10 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[claude]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9677</guid>
				<description><![CDATA[AIは単一ファイルの生成は得意ですが、複数ファイルにまたがる設計の一貫性・依存関係の維持が苦手です。「とりあえずAIに投げる」だけでは、後から修正も拡張もできない壊れやすいコードが生まれます。この記事では、それを防ぐための具体的な方法論を解説します。 ⚠️ まず知っておくべき：AIへの矛盾した指令は危険 AIは「矛盾をエラーで止める」コンパイラではありません。矛盾した指令を与えると、次のような問題が起きます。 パターン AIの実際の挙動 危険度 矛盾に気づいて質問する 「どちらを優先しますか？」と聞いてくれる（理想） 低 どちらかを黙って優先する 後に書いた方・強調した方を無断で選択。人間は気づかない 🔴 高 両方を中途半端に満たす どちらの要件も中途半端に満たした「なんとなく動く」コードが生成される 🔴 高 古いルールを上書きする 長い会話の後に新しい指令が入ると、最初のルールを静かに破壊する 🔴 高 ⚡ 本質的な問題 AIは「矛盾を解決する」のではなく「それっぽい出力を生成する」モデルです。 コンパイラと違って「矛盾を検出して止まる」という保証がありません。 Phase 1 設計フェーズ（コードを書かせる [&#8230;]]]></description>
									</item>
		<item>
		<title>ONNX Runtimeの「ORT_SEQUENTIAL」と「ORT_PARALLEL」の違いを解説</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/12/onnx-runtime%e3%81%ae%e3%80%8cort_sequential%e3%80%8d%e3%81%a8%e3%80%8cort_parallel%e3%80%8d%e3%81%ae%e9%81%95%e3%81%84%e3%82%92%e8%a7%a3%e8%aa%ac-2/</link>
				<pubDate>Tue, 12 May 2026 01:40:42 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[inference]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Python]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9657</guid>
				<description><![CDATA[ONNX Runtime（ORT）を使っていると、ORT_SEQUENTIAL や ORT_PARALLEL という設定を見かけることがあります。 これらは Execution Mode（実行モード） を指定する重要な設定で、推論速度やCPU使用率に影響します。 この記事では、 ORT_SEQUENTIAL ORT_PARALLEL の違いを、PythonとC#のコード例付きでわかりやすく解説します。 ORT_SEQUENTIALとは ORT_SEQUENTIAL は 逐次実行モード です。 モデル内の処理（ノード）を、順番に1つずつ実行します。 特徴 順番に処理を実行 シングルスレッドに近い動作 オーバーヘッドが少ない 動作が安定しやすい 向いているケース 小規模モデル デバッグ用途 CPUコア数が少ない環境 安定動作を重視したい場合 ORT_PARALLELとは ORT_PARALLEL は 並列実行モード です。 依存関係のないノードを同時に実行し、CPUのマルチスレッドを活用します。 特徴 複数ノードを同時実行 CPUマルチコアを活用 推論速度向上が期待できる 大規模モデルで効果が高い 向いているケー [&#8230;]]]></description>
									</item>
		<item>
		<title>CUDA Version表示の正しい意味と、動作するGPU・安全なバージョン選び</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/27/cuda-version%e8%a1%a8%e7%a4%ba%e3%81%ae%e6%ad%a3%e3%81%97%e3%81%84%e6%84%8f%e5%91%b3%e3%81%a8%e3%80%81%e5%8b%95%e4%bd%9c%e3%81%99%e3%82%8bgpu%e3%83%bb%e5%ae%89%e5%85%a8%e3%81%aa%e3%83%90%e3%83%bc/</link>
				<pubDate>Mon, 27 Apr 2026 00:59:24 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[CUDA]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[tensor]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9641</guid>
				<description><![CDATA[はじめに nvidia-smi を実行すると、次のような表示を見ることがあります。 CUDA Version: 13.0 この表示を見て、 「CUDA 13が使える」 「どのNVIDIA GPUでも動く」 と思ってしまうケースが非常に多いですが、これは正確ではありません。 この記事では、 CUDAとは何か（簡単に） CUDA Version 表示の本当の意味 CUDAが動くGPUの条件 推論用途でCUDAを自分で入れる必要があるのか 失敗しないCUDAバージョンの選び方 を整理して解説します。 CUDAとは何か（簡単に） CUDA（Compute Unified Device Architecture）は、 NVIDIAのGPUを使って高速計算を行うための仕組み です。 通常、プログラムはCPUで実行されますが、CUDAを使うことで： 並列計算（同時に大量の処理） 行列計算（AI・画像処理など） をGPUで高速に実行できます。 特に以下の分野で使われます。 機械学習・深層学習 画像処理 科学技術計算 CUDA Version 表示の正体 CUDA Version: 13.0 これは次の意味です。 インストール [&#8230;]]]></description>
									</item>
		<item>
		<title>VAEとは？Stable Diffusionでの役割とONNXへの変換方法（encoder / decoder分離）</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/17/vae%e3%81%a8%e3%81%af%ef%bc%9fstable-diffusion%e3%81%a7%e3%81%ae%e5%bd%b9%e5%89%b2%e3%81%a8onnx%e3%81%b8%e3%81%ae%e5%a4%89%e6%8f%9b%e6%96%b9%e6%b3%95%ef%bc%88encoder-decoder%e5%88%86%e9%9b%a2/</link>
				<pubDate>Fri, 17 Apr 2026 01:21:29 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[safetensors]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[vae]]></category>
		<category><![CDATA[wan]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9627</guid>
				<description><![CDATA[VAE（Variational Autoencoder）とは VAE（Variational Autoencoder）は、画像を「圧縮」と「復元」するためのニューラルネットワークです。 Stable Diffusion では、画像生成の効率を高めるために重要な役割を担っています。 VAEは主に次の2つの構成要素から成り立っています： Encoder（エンコーダー） 画像（RGB）を潜在表現（latent）に圧縮する Decoder（デコーダー） 潜在表現（latent）を画像に復元する Stable DiffusionにおけるVAEの役割 Stable Diffusionでは、直接画像を生成するのではなく、次のような流れになっています： ノイズから潜在空間（latent）を生成 そのlatentをVAEのdecoderで画像に変換 また、画像を入力として使う場合（img2imgなど）は： 画像をVAEのencoderでlatentに変換 latentを加工・生成 decoderで画像に戻す つまり： 処理 使用する部分 画像 → latent Encoder latent → 画像 Decoder safet [&#8230;]]]></description>
									</item>
		<item>
		<title>Phi-3 Mini + OnnxRuntimeGenAI で作る C# 翻訳エージェント</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/14/phi-3-mini-onnxruntimegenai-%e3%81%a7%e4%bd%9c%e3%82%8b-c-%e7%bf%bb%e8%a8%b3%e3%82%a8%e3%83%bc%e3%82%b8%e3%82%a7%e3%83%b3%e3%83%88/</link>
				<pubDate>Tue, 14 Apr 2026 00:50:59 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[Hugging Face]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Windows]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9620</guid>
				<description><![CDATA[1. Phi-3 Mini とは？ — 小型SLMの実力 Phi-3 Mini は Microsoft が 2024 年に公開した Small Language Model (SLM) です。パラメータ数は 3.8 億（3.8B） と GPT-4 系の 1/100 以下でありながら、多くのベンチマークで同規模または大規模モデルに匹敵する精度を達成しています。 なぜ翻訳エージェントに向いているのか？ 日英翻訳の精度が高い — 高品質な英語テキストで重点的に学習しているため、英語⇔日本語の変換品質が安定している 指示追従性（Instruction Following）が優秀 — 「日本語に翻訳してください」といったシンプルな指示を忠実に実行できる 低スペックPC でも動作 — INT4 量子化 ONNX モデルなら CPU のみで推論可能（Core i7 程度で快適） 完全ローカル動作 — データが外部に送信されないためプライバシー・セキュリティ面でも安心 💡 SLM vs LLM：Large Language Model（LLM）が数十〜数百B のパラメータを持つのに対し、Small Language Mode [&#8230;]]]></description>
									</item>
		<item>
		<title>PyInstallerでStable DiffusionやQwenなどAIアプリをスタンドアロン化する方法と注意</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/08/pyinstaller%e3%81%a7stable-diffusion%e3%82%84qwen%e3%81%aa%e3%81%a9ai%e3%82%a2%e3%83%97%e3%83%aa%e3%82%92%e3%82%b9%e3%82%bf%e3%83%b3%e3%83%89%e3%82%a2%e3%83%ad%e3%83%b3%e5%8c%96%e3%81%99%e3%82%8b/</link>
				<pubDate>Wed, 08 Apr 2026 03:01:29 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[pipeline]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[Qwen]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[vae]]></category>
		<category><![CDATA[wan]]></category>
		<category><![CDATA[エラー]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9614</guid>
				<description><![CDATA[Python製のAIアプリ（Stable Diffusion、Qwen、Wanなど）を「Python未導入のPCでもそのまま動くスタンドアロン実行ファイル」にしたい場合、よく使われるのが PyInstaller です。 pip install pyinstaller pyinstaller &#8211;onefile main.py しかし、AI系ライブラリを含むアプリでは単純にビルドしただけでは失敗することが多く、以下のような追加オプションが必要になるケースがあります。 pyinstaller ^ &#8211;onefile ^ &#8211;hidden-import transformers ^ &#8211;hidden-import diffusers ^ &#8211;collect-all transformers ^ &#8211;collect-all diffusers ^ &#8211;collect-all requests ^ main.py 本記事では、このオプションがなぜ必要なのかを解説します。 なぜPyInstallerだけではうまくいかないのか？ PyInstallerは [&#8230;]]]></description>
									</item>
		<item>
		<title>ONNX Runtimeの「ORT_SEQUENTIAL」と「ORT_PARALLEL」の違いを解説</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/07/onnx-runtime%e3%81%ae%e3%80%8cort_sequential%e3%80%8d%e3%81%a8%e3%80%8cort_parallel%e3%80%8d%e3%81%ae%e9%81%95%e3%81%84%e3%82%92%e8%a7%a3%e8%aa%ac/</link>
				<pubDate>Tue, 07 Apr 2026 01:20:36 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[inference]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Python]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9610</guid>
				<description><![CDATA[ONNX Runtime（ORT）を使っていると、ORT_SEQUENTIAL や ORT_PARALLEL という設定を見かけることがあります。これらは Execution Mode（実行モード） に関する重要な設定です。 この記事では、それぞれの違いと使い分けについてわかりやすく解説します。 ORT_SEQUENTIALとは ORT_SEQUENTIAL は 逐次実行モード です。 特徴 モデル内の処理（ノード）を 順番に1つずつ実行 シングルスレッドに近い動作 オーバーヘッドが少ない 向いているケース 小規模なモデル デバッグ用途 安定した動作を優先したい場合 ORT_PARALLELとは ORT_PARALLEL は 並列実行モード です。 特徴 依存関係のないノードを 同時に並列実行 CPUのマルチスレッドを活用 推論速度の向上が期待できる 向いているケース 大規模モデル CPUコア数が多い環境 パフォーマンス重視の推論処理 違いのまとめ 項目 ORT_SEQUENTIAL ORT_PARALLEL 実行方法 逐次（順番） 並列 スレッド 基本1つ 複数 パフォーマンス 安定・軽量 高速化の可能性あ [&#8230;]]]></description>
									</item>
		<item>
		<title>GGUFファイルの「Q・K・V」って何？AttentionとQuantizationをわかりやすく解説</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/01/gguf%e3%83%95%e3%82%a1%e3%82%a4%e3%83%ab%e3%81%ae%e3%80%8cq%e3%83%bbk%e3%83%bbv%e3%80%8d%e3%81%a3%e3%81%a6%e4%bd%95%ef%bc%9fattention%e3%81%a8quantization%e3%82%92%e3%82%8f%e3%81%8b%e3%82%8a%e3%82%84/</link>
				<pubDate>Wed, 01 Apr 2026 01:26:40 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9600</guid>
				<description><![CDATA[GGUFファイルのファイル名に付いている Q・K・V という文字、気になったことはありませんか？これはLLM（大規模言語モデル）の中核技術である Attention（注意機構） と 量子化（Quantization） に深く関係しています。この記事ではそれぞれをわかりやすく解説します。 Attention（注意機構）とは？ 一言で言うと 「文章の中でどの単語がどの単語に関係しているか」を計算する仕組みです。 具体例 次の文を見てみましょう。 「彼女は荷物が重かったので、彼女は疲れた」 人間なら2つの「彼女」が同じ人物だとすぐわかります。Attentionはこの関係性を数値で表現します。 「疲れた」← 誰が？ → 「彼女」に注目度 80% → 「荷物」に注目度 15% → その他 5% 各単語が他のすべての単語を「どれくらい参照すべきか」をスコアとして計算することで、AIは文脈を理解できるようになります。 Q・K・V の役割 記号 正式名 役割 Q Query（クエリ） 「何を探しているか」を表す行列 K Key（キー） 「何が存在しているか」を表す行列 V Value（バリュー） 「実際に取り出す情報」を表す [&#8230;]]]></description>
									</item>
		<item>
		<title>Qwen Image Edit + LoRAで2回目から高速になる理由【キャッシュの仕組みを解説】</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/31/qwen-image-edit-lora%e3%81%a72%e5%9b%9e%e7%9b%ae%e3%81%8b%e3%82%89%e9%ab%98%e9%80%9f%e3%81%ab%e3%81%aa%e3%82%8b%e7%90%86%e7%94%b1%e3%80%90%e3%82%ad%e3%83%a3%e3%83%83%e3%82%b7%e3%83%a5%e3%81%ae/</link>
				<pubDate>Tue, 31 Mar 2026 01:38:17 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[CUDA]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[LoRA]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[Qwen]]></category>
		<category><![CDATA[Windows]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9597</guid>
				<description><![CDATA[Qwen Image EditでLoRAを使っていると、初回は1時間かかるのに、2回目からは10分で終わるという現象に気づいた方も多いのではないでしょうか。しかも、プログラムを再起動しても2回目以降は速いまま。この記事では、その理由をキャッシュの仕組みから丁寧に解説します。 結論：2種類のキャッシュが組み合わさっている 速度差の正体は、主に以下の2つのキャッシュ機構です。 OSのページキャッシュ（RAMへのファイルキャッシュ） CUDA / Tritonカーネルのコンパイルキャッシュ（ディスクへの保存） それぞれ詳しく見ていきましょう。 ① OSのページキャッシュ（最大の要因） LoRAやベースモデルの重みファイルは数GBにおよびます。初回実行時はこれをSSDやHDDから読み込む必要があるため、I/Oに時間がかかります。 初回: ストレージ(SSD/HDD) → RAM → GPU ← 遅い 2回目: RAM(キャッシュ済み) → GPU ← 速い OSは一度読み込んだファイルデータをRAMのページキャッシュとして保持し続けます。重要なのは、プログラムを再起動してもOSは動き続けているため、このキャッシュは消 [&#8230;]]]></description>
									</item>
		<item>
		<title>Hugging Faceモデルの保存場所・容量・削除方法まとめ（QwenやStable Diffusionにも対応）</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/27/hugging-face%e3%83%a2%e3%83%87%e3%83%ab%e3%81%ae%e4%bf%9d%e5%ad%98%e5%a0%b4%e6%89%80%e3%83%bb%e5%ae%b9%e9%87%8f%e3%83%bb%e5%89%8a%e9%99%a4%e6%96%b9%e6%b3%95%e3%81%be%e3%81%a8%e3%82%81%ef%bc%88qwen/</link>
				<pubDate>Fri, 27 Mar 2026 02:01:28 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[Hugging Face]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[pipeline]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[Qwen]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[Windows]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9590</guid>
				<description><![CDATA[AIモデル（例：Qwen・Stable Diffusionなど）を使っていると、 「どこにダウンロードされてるの？」「気づいたら容量がヤバい…」と感じたことはありませんか？ この記事では、Hugging Face系モデルの保存場所・容量の仕組み・削除方法・保存先変更まで、まとめて解説します。 ■ モデルはどこにダウンロードされるのか？ from_pretrained() を使うと、モデルは自動的に Hugging Faceのキャッシュ領域に保存されます。 コード例 pipeline = QwenImageEditPipeline.from_pretrained( &#8220;Qwen/Qwen-Image-Edit&#8221;, transformer=transformer, scheduler=scheduler, torch_dtype=torch.bfloat16 ) ▼ デフォルト保存先 Linux / macOS ~/.cache/huggingface/hub/ Windows C:\Users\&#60;ユーザー名&#62;\.cache\huggingface\hub\ ■ 【重要】ダウンロ [&#8230;]]]></description>
									</item>
		<item>
		<title>safetensorsの「配線」はどこにある？Netronで線が見えない理由をわかりやすく解説</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/25/safetensors%e3%81%ae%e3%80%8c%e9%85%8d%e7%b7%9a%e3%80%8d%e3%81%af%e3%81%a9%e3%81%93%e3%81%ab%e3%81%82%e3%82%8b%ef%bc%9fnetron%e3%81%a7%e7%b7%9a%e3%81%8c%e8%a6%8b%e3%81%88%e3%81%aa%e3%81%84%e7%90%86/</link>
				<pubDate>Wed, 25 Mar 2026 01:32:31 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[LoRA]]></category>
		<category><![CDATA[Netron]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[safetensors]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[transformer]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9583</guid>
				<description><![CDATA[機械学習モデル（特にTransformer系）を触っていると、.safetensors ファイルをNetronで開いたときに、 「ノードが並んでいるだけで、配線（接続）が見えない」 という疑問にぶつかることがあります。 この記事ではこの現象の理由と、実際にブロックの接続（配線）がどこに記録されているのかを整理して解説します。 なぜNetronで配線が見えないのか？ 結論から言うと： safetensorsには「配線情報」が入っていないためです。 safetensorsの正体 safetensors は非常にシンプルな構造をしています。 パラメータ名 → 数値テンソル 例えば： transformer_blocks.3.attn.add_k_proj.weight のように、「名前」と「行列データ」が紐づいているだけです。 safetensorsに含まれていないもの 以下のような情報は 一切保存されていません： forward関数（計算手順） ノード間の接続関係 データの流れ（計算グラフ） レイヤー間の依存関係 つまり： そもそも配線図そのものが存在しない のです。 Netronで何が表示されているのか？ Ne [&#8230;]]]></description>
									</item>
		<item>
		<title>Python（embed版）でCUDA対応PyTorchを使ったGPU推論環境の作り方</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/23/python%ef%bc%88embed%e7%89%88%ef%bc%89%e3%81%a7cuda%e5%af%be%e5%bf%9cpytorch%e3%82%92%e4%bd%bf%e3%81%a3%e3%81%9fgpu%e6%8e%a8%e8%ab%96%e7%92%b0%e5%a2%83%e3%81%ae%e4%bd%9c%e3%82%8a%e6%96%b9/</link>
				<pubDate>Mon, 23 Mar 2026 01:56:15 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[CUDA]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9570</guid>
				<description><![CDATA[はじめに 最近のGPU環境では「CUDAは自動で入っているのか？」「PyTorchはどこまで自動でやってくれるのか？」といった疑問を持つ人が多いと思います。 この記事では、Pythonのembed版（ポータブル環境）でCUDA対応PyTorchを使ったGPU推論を行う方法を、最小構成でわかりやすく解説します。 結論（重要ポイントまとめ） RTX 20xx以降でも CUDAは自動では入らない ただし PyTorch（CUDA版）に必要なライブラリは同梱されている GPU推論だけなら 👉 torchだけでOK（torchvision / torchaudioは不要） 必須なのは 👉 NVIDIAドライバのみ CUDAは勝手に入っているのか？ 結論： 👉 入っていない（完全な形では） ただし以下の理由で「入っているように見える」ことがあります： NVIDIAドライバに一部CUDAランタイムが含まれている PyTorchなどが必要なCUDAライブラリを同梱している そのため、 👉 「何もしてないのにGPU動いた」＝内部で依存関係が入っているだけ PyTorch（CUDA版）の仕組み CUDA対応のPyTorchは以下 [&#8230;]]]></description>
									</item>
		<item>
		<title>【PyTorch】torch_has_triton()がFalseになる問題と解決方法【Windows】</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/20/%e3%80%90pytorch%e3%80%91torch_has_triton%e3%81%8cfalse%e3%81%ab%e3%81%aa%e3%82%8b%e5%95%8f%e9%a1%8c%e3%81%a8%e8%a7%a3%e6%b1%ba%e6%96%b9%e6%b3%95%e3%80%90windows%e3%80%91/</link>
				<pubDate>Fri, 20 Mar 2026 00:12:24 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[最適化]]></category>
		<category><![CDATA[解決方法]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9561</guid>
				<description><![CDATA[WindowsでTritonをインストールしたにもかかわらず、torch_has_triton()がFalseを返してしまう問題に遭遇することがあります。この記事では、その原因と解決方法を解説します。 Tritonとは？ &#160;GPUカーネルをPythonで書けるようにするコンパイラ／言語です。 通常、GPUで高速な処理をするにはCUDA（C++）でカーネルを書く必要がありますが、TritonはそれをPythonに近い書き方で実現できます。 具体的にやっていること 行列演算・Attention・活性化関数などのGPUカーネルを自動生成 メモリアクセスの最適化（メモリ帯域を無駄なく使う） FlashAttentionなどの高効率な実装もTritonで書かれている まとめると 「PythonでCUDAカーネルを書けるようにして、torch.compile() の高速化を支えるもの」 Tritonが使えないと torch.compile() が効かず、モデルの推論・学習が遅くなります。 発生する症状 以下のようなコードで triton_is_available が False になってしまいます。 try:  [&#8230;]]]></description>
									</item>
	</channel>
</rss>
