<?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>AIディベロッパーblog</title>
	<atom:link href="https://aidev.bluegarage.site/blog/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>「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>【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>Seedance 2.0とWan 2.2を徹底比較！ローカルで動かせるAI動画生成モデルはどっち？</title>
		<link>https://aidev.bluegarage.site/blog/2026/07/02/seedance-2-0%e3%81%a8wan-2-2%e3%82%92%e5%be%b9%e5%ba%95%e6%af%94%e8%bc%83%ef%bc%81%e3%83%ad%e3%83%bc%e3%82%ab%e3%83%ab%e3%81%a7%e5%8b%95%e3%81%8b%e3%81%9b%e3%82%8bai%e5%8b%95%e7%94%bb%e7%94%9f/</link>
				<pubDate>Thu, 02 Jul 2026 02:02:55 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[動画]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[Hugging Face]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[wan]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9726</guid>
				<description><![CDATA[AI動画生成の分野で注目を集める「Seedance 2.0」と「Wan 2.2」。この2つは似たような文脈で語られることが多いですが、実は根本的に異なる性質を持つモデルです。本記事では、両者の違いを整理したうえで、ローカル環境でWan 2.2を動かすための要件と手順を解説します。 Seedance 2.0とは Seedance 2.0は、TikTokやDouyinを運営するByteDanceが開発したAI動画生成モデルです。テキスト・画像・動画・音声を組み合わせて入力できるマルチモーダル対応が特徴で、映像と音声を完全に同期させた状態で出力できます。 主なスペックは以下の通りです。 出力解像度：最大2K（2048×1080相当） 動画の長さ：4〜15秒（カスタマイズ可能） 参照ファイル数：最大12件（画像9枚・動画3本・音声3ファイル） 音声生成：効果音・BGM・多言語ナレーションが映像と完全同期 生成速度：5秒動画で60秒未満 Seedance 2.0はローカルで動かせない 結論から言うと、Seedance 2.0はローカル環境では実行できません。オープンソースモデルではないため、すべての処理はByteDan [&#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>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>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>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>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>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>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>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>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>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>
	</channel>
</rss>
