登録して招待リンクを共有すると、動画再生報酬と紹介報酬を獲得できます。

検索結果 なはコス
なはコス コミュニティ
1つのキーワードが1つのコミュニティです。
コミュニティ作成
アカウント
見つかりません
なはコス を含む検索結果
#なはコス# 楽しかったー!! 画面がカラフルで可愛い🩵🩷💛 見切れちゃった方すみません💦 写ってくれたみんなありがとう🫶✨
もっと見る
明日、11/28.29 #なはコス# で着用する笹貫衣装の調整は全て終わらせるくらいの気持ちで仕込んでいくよ~ 次の難関は…内番のハーフパンツ‼️ なぜって❓ 明後日から1週間大阪で仕事だからさ 月末は1週間程沖縄だし、もう私の中で11月は半分終わった(笑) 私の絵心に火をつけて 笹柄を手書きします🖌🎨
もっと見る
改めまして!#なはコス# お疲れ様でした! 撮影、交流してくださった皆様ありがとう💙 FFX-Ⅱリュックで参戦してました! 久しぶりの屋外コスイベ・パフォーマンスも楽しかったぁ✨
もっと見る
速報っ!FFX-Ⅱリュックでいます✨ いちごちゃんはFFXのユウナ!可愛い! シリーズ違いだけど一応併せ💙 #なはコス#
# OpenAI Agent SDKの便利で実践的な使い方 🌍 無制限に膨らむ履歴はコストとレイテンシの敵です! 履歴の制御と圧縮機能を使って、コンテキストサイズを最適に保ちましょう。 📌 タイトル:Sessions – Control history / Compaction 🔗 URL: 🧩 概要 長期間のセッションでは会話履歴が肥大化し、トークンコストの増大やレイテンシの悪化を招きます。SessionSettingsの`limit`で直近N件に制限したり、`session_input_callback`でカスタムのトリミング・並び替えを行ったりできます。OpenAIResponsesCompactionSessionを使えば自動圧縮も可能で、手動の`run_compaction()`でアイドル時に最適化することもできます。 🛠 使い方 最もシンプルな方法は `SessionSettings(limit=50)` です。`Agent(name="assistant", instructions="丁寧に回答してください")` でエージェントを作り、`SQLiteSession("user_12345")` でセッションを生成したうえで、`await "最新の話題は?", session=session, run_config=RunConfig(session_settings=SessionSettings(limit=50)))` のように `RunConfig` の `session_settings` に渡せば、取得する履歴が直近50件に制限されます。 より高度な制御には `session_input_callback` を使います。例えば `custom_history_filter(history, new_input)` 関数を定義し、`h.role == "system"` のシステムメッセージは常に保持、通常のやり取りは `history[-20:]` で直近20件に絞り、`return filtered + new_input`(`new_input` はリストです)で新しい入力と合わせて返すロジックが書けます。`await "...", session=session, run_config=RunConfig(session_input_callback=custom_history_filter))` のように設定します。 自動圧縮には `OpenAIResponsesCompactionSession` を使います。`underlying = SQLiteSession("user_12345")` を用意し、`OpenAIResponsesCompactionSession(session_id="user_12345", underlying_session=underlying)` でセッションを作り、`await "これまでの議論をまとめて", session=session)` を実行すると、長い会話が自動的に要約・圧縮されます。 手動で圧縮を実行する場合は、`OpenAIResponsesCompactionSession(session_id="user_12345", underlying_session=underlying, should_trigger_compaction=lambda _: False)` で自動圧縮を無効化したセッションを作り、`await "force": True})` を呼び出します。ユーザーのアイドル時間に実行すれば、次回リクエスト時のレイテンシが改善されます。 🏗 実践的な使い方 `SessionSettings(limit=50)`は最もシンプルなコスト制御です。セッションから取得する履歴が直近50件に絞られ、それより古い履歴はモデルへの入力に含まれません(既定の`limit=None`では全件取得します)。カスタマーサポートのように直近のやり取りが重要なケースに適しています。 `session_input_callback`は、より高度な制御が必要な場合に使います。例えば、システムメッセージやVIP顧客のフラグは常に保持しつつ、通常のやり取りは直近20件に絞るといったロジックが書けます。ストレージ自体は変更せず、LLMに送る入力だけをフィルタリングする点がポイントです。 `OpenAIResponsesCompactionSession`は自動圧縮を行います。長い会話を要約して短い表現に置き換えることで、コンテキスト窓を効率的に使います。 Streaming重視のアプリケーションでは、ユーザーのアイドル時間に`run_compaction()`を手動実行するパターンが有効です。次のリクエスト時には圧縮済みの履歴から開始できるため、初回トークンまでのレイテンシが改善されます。 💡 ユースケース 💰 limit設定によるトークンコストの上限管理 🔧 カスタムコールバックで重要なコンテキストだけを選択的に保持 📦 自動圧縮による長時間セッションのコンテキスト最適化 ⚡ アイドル時のcompactionによるStreaming-firstレイテンシ改善 ⚠️ 注意点 - `limit`は取得件数の制限であり、セッションに保存された履歴自体は削除されません。ただしlimitを超えた情報はモデルに渡らないため、値は慎重に設定してください - `session_input_callback`はリクエストごとに呼ばれるため、重い処理は避けてください - 自動圧縮は要約精度に依存します。正確な数値や固有名詞が失われる可能性があります - `run_compaction()`はAPIコールを伴うため、頻繁に呼ぶとコストが増加します ✨ 適切な履歴制御により、長時間セッションでもコストとレイテンシを最適に保てます! #OpenAIAgentSDK# #AIAgent#
もっと見る
おは玉藻(1491日目)🦊 衝撃の学生服に 公式のコラボの執事眼鏡かけました👓 (ワダアルコさんの専用イラストもあります) このJKとコヤンの学生服で 併せたら楽しそうです そして今天気を見たら15℃だそうで🥶 やっぱりしまったニットを出しました🧶 本格的な衣替えは コスホリ後になりますね、、、 皆様も風邪気をつけてください🤧 本日は環境展MC最終日🎤 コスホリの写真編集しつつ 頑張ります💪 #今日のタマ活#
もっと見る
TL;DR: あらゆるクエリと予算に最適な単一LLMは存在しない。乱立するLLMルーティング研究を「5つの部品」で統一定式化し、16以上のルーターと専用ベンチマークをまとめたオープンソース基盤が登場しました。 タイトル: LLMRouter: Unified Infrastructure for Developing, Evaluating, and Deploying LLM Routers URL: ポイント 🧩 ルーターを Context Encoder / Model Encoder / Scoring / Decision Rule / Learning Signal の5コンポーネントに分解して統一 📊 評価基盤 xRouteBench は Generic・Memory・Vision・TimeSeries・Personalized の5トラック計4,767クエリ 🛠️ 全18候補モデルへ全クエリを投げて作る密なクエリ-モデル行列で、訓練と評価を同時に供給 🚀 学習型ルーターは最強の固定モデル(常に最大を選択)を相対14.6%上回る ⚖️ 万能なルーターは無し。RouterDCは精度首位でもコスト重視だと10位に転落 🔁 マルチターンはコストの割に効果が不安定(Router-R1は22.3%) 👤 ユーザー条件付けは有効だが、実フィードバックとシミュレーションで最良設計が入れ替わる 「最良のルーターはタスクと予算で変わる」を実証し、公平比較の土台を用意した一本です。 #LLM# #ModelRouting#
もっと見る
AIエージェントをエンタープライズシステムに組み込むプラクティス 【信頼境界の二層分離(Trust Boundary Split)】 💡 ポイント 「社内向けエージェントと顧客向けエージェント、同じスタックで動かしていませんか?それ、情報漏洩の時限爆弾です。」 従業員向けと顧客向けでは信頼レベル・データ境界・失敗コストが根本的に異なります。同一設計で済ませると、顧客経路から内部情報が漏れる最悪のシナリオが現実になります。 🔥 解決する課題 - 顧客向けエージェント経由での内部情報漏洩(最も致命的なリスク) - 敵対的入力(ジェイルブレイク・間接プロンプトインジェクション)による暴走 - 従業員向けの「緩い前提」を顧客向けにそのまま適用してしまう設計事故 - 顧客向け障害がブランド毀損・法的責任に直結する不可逆リスク 🏗️ 提案パターン 従業員向けと顧客向けを物理的/論理的に分離した二層のプレーンとして設計します。従業員向けは社内IdP(Okta/Entra)でSSO認証し、社内データに広くアクセスできます。一方、顧客向けエージェントはDMZ相当の隔離環境に配置し、内部データは「公開可能と明示したread model(投影)」のみ参照可能にします。顧客向けの出力にはDLP(データ漏洩防止)検査を必須通過させ、ガードレールも格段に厳格にします。オーケストレーション基盤やモデルゲートウェイは共有してもよいですが、データ到達経路は必ず分離します。 ✅ 選定条件 - 採用する場合:顧客と従業員の両方がエージェントを利用する。B2C/B2B両面を持つ企業。顧客接点と社内業務が同一基盤を共有しようとしている。 - 採用しない場合:純粋に社内専用の用途のみ(過剰な分離はコスト増になります)。 ⚠️ 落とし穴 - 「オーケストレーション基盤を共有しているから大丈夫」と思い込み、データ到達経路まで共有してしまうケース。基盤の共有とデータ経路の分離は両立が必要です。 - 顧客向けガードレールの設計を後回しにすると、本番稼働後に重大インシデントが発生します。ジェイルブレイク検知・トピック制限・拒否方針は初期設計に含めてください。 - 監査ログの設計で顧客識別子とPIIの保持期間管理を怠ると、コンプライアンス違反に繋がります。 🛠️ 実装方針 - まずネットワークセグメンテーションで顧客向けプレーンを隔離します。VPC/サブネット分離で顧客向けエージェントをDMZ相当の環境に配置し、内部ネットワークへの直接到達を遮断します。 - 顧客向けプレーンが参照するデータをCQRSのread model(公開可能データの投影)として構築します。内部DBへの直接アクセスではなく、公開可能と明示したデータのみを投影するビューを用意します。 - DLP(データ漏洩防止)検査パイプラインを顧客向け出力経路に設置します。全出力を通過させ、内部由来情報のリークを検知・ブロックします。 - 顧客向けプレーンにガードレールポリシーを配備します。ジェイルブレイク検知・トピック制限・トーン制御・拒否方針を含む、従業員向けより格段に厳格なポリシーセットを適用します。 - 認証基盤を分離します。従業員向けは社内IdP(Okta/Entra ID)でSSO、顧客向けは顧客IdP(Auth0/CIAM)を使い、認証経路を完全に分けます。 #AIエージェント# #エンタープライズアーキテクチャ#
もっと見る
AIエージェントをエンタープライズシステムに組み込むプラクティス 【信頼境界の二層分離(Trust Boundary Split)】 💡 「社内向けエージェントと顧客向けエージェント、同じスタックで動かしていませんか?それ、情報漏洩の時限爆弾です。」 従業員向けと顧客向けでは信頼レベル・データ境界・失敗コストが根本的に異なります。同一設計で済ませると、顧客経路から内部情報が漏れる最悪のシナリオが現実になります。 🔥 解決する課題 - 顧客向けエージェント経由での内部情報漏洩(最も致命的なリスク) - 敵対的入力(ジェイルブレイク・間接プロンプトインジェクション)による暴走 - 従業員向けの「緩い前提」を顧客向けにそのまま適用してしまう設計事故 - 顧客向け障害がブランド毀損・法的責任に直結する不可逆リスク 🏗️ 提案パターン 従業員向けと顧客向けを物理的/論理的に分離した二層のプレーンとして設計します。従業員向けは社内IdP(Okta/Entra)でSSO認証し、社内データに広くアクセスできます。一方、顧客向けエージェントはDMZ相当の隔離環境に配置し、内部データは「公開可能と明示したread model(投影)」のみ参照可能にします。顧客向けの出力にはDLP(データ漏洩防止)検査を必須通過させ、ガードレールも格段に厳格にします。オーケストレーション基盤やモデルゲートウェイは共有してもよいですが、データ到達経路は必ず分離します。 ✅ 選定条件 - 採用する場合:顧客と従業員の両方がエージェントを利用する。B2C/B2B両面を持つ企業。顧客接点と社内業務が同一基盤を共有しようとしている。 - 採用しない場合:純粋に社内専用の用途のみ(過剰な分離はコスト増になります)。 ⚠️ 落とし穴 - 「オーケストレーション基盤を共有しているから大丈夫」と思い込み、データ到達経路まで共有してしまうケース。基盤の共有とデータ経路の分離は両立が必要です。 - 顧客向けガードレールの設計を後回しにすると、本番稼働後に重大インシデントが発生します。ジェイルブレイク検知・トピック制限・拒否方針は初期設計に含めてください。 - 監査ログの設計で顧客識別子とPIIの保持期間管理を怠ると、コンプライアンス違反に繋がります。 🛠️ 実装方針 - まずネットワークセグメンテーションで顧客向けプレーンを隔離します。VPC/サブネット分離で顧客向けエージェントをDMZ相当の環境に配置し、内部ネットワークへの直接到達を遮断します。 - 顧客向けプレーンが参照するデータをCQRSのread model(公開可能データの投影)として構築します。内部DBへの直接アクセスではなく、公開可能と明示したデータのみを投影するビューを用意します。 - DLP(データ漏洩防止)検査パイプラインを顧客向け出力経路に設置します。全出力を通過させ、内部由来情報のリークを検知・ブロックします。 - 顧客向けプレーンにガードレールポリシーを配備します。ジェイルブレイク検知・トピック制限・トーン制御・拒否方針を含む、従業員向けより格段に厳格なポリシーセットを適用します。 - 認証基盤を分離します。従業員向けは社内IdP(Okta/Entra ID)でSSO、顧客向けは顧客IdP(Auth0/CIAM)を使い、認証経路を完全に分けます。 #AIエージェント# #エンタープライズアーキテクチャ#
もっと見る
💡Marvell $MRVL 、Google と累計1200億ドル規模のカスタムシリコン契約 | 5897万株の新株予約権を発行 $AVGO $GOOGL Marvell Technology $MRVL は8月19日、SEC に提出した Form 8-K で Google とのカスタムシリコン協業を大幅に拡大したと開示した。対価として Marvell は Google に対し、行使価格206.58ドルで最大58,970,907株を取得できる新株予約権(ワラント)を発行する。全量行使時の行使総額はおよそ122億ドルに達する。 契約の本質は、権利確定(ベスティング)の設計にある。1,360,867株は初年度に時間経過で確定するが、残る57,610,040株は240の均等トランシェに分割され、対象カスタム製品売上5億ドルごとに1トランシェが確定する。240×5億ドルで、全量確定には累計1200億ドルの調達が必要になる。対象期間は Marvell の FY2027 第3四半期から FY2033 末までで、予約権の失効日は2033年8月18日。つまり1200億ドルは支出コミットメントではなく、あくまでベスティングの閾値である。協業範囲は TPU エコシステムに attach する領域と定義され、AI 推論アクセラレータ、ストレージコントローラ、ネットワークインターフェースコントローラ、メモリインターフェースコントローラ、ニアメモリコンピュートが含まれる。TPU 本体の設計を置き換える契約ではない。 市場の反応は対照的だった。Marvell 株が10%近く上昇する一方、Broadcom 株は約5%下落した。Broadcom $AVGO の8月18日終値は380ドルで、年初来の上昇率は10%程度と半導体セクターの中では明確に出遅れている。 BofA(Vivek Arya チーム)は今回の契約を Broadcom にとって中立と評価する。根拠は既存の長期契約(LTA)だ。Broadcom は2026年4月、次世代 TPU の開発供給と次世代 AI ラック向けコンポーネントを2031年まで対象とする長期契約を Google と締結している。JPMorgan によれば同契約は v11 までの4世代をカバーし、2031年まで TPU 売上を毎年積み増すコミットメントを含む。TPU のコア設計そのものは CY31 まで確保されているという整理になる。 BofA の TAM 試算はこうだ。 Google のサーバー/ハードウェア向け設備投資は今後5年で1.5兆から2.0兆ドル超、TPU システムの TAM は CY27-31 累計で4000億から6000億ドル超。この配分について、Broadcom は55-60%超(2500億から3500億ドル超)を維持するとみる。メインのプロセッサダイ上の高付加価値コンテンツ、先端パッケージング、HBM 統合、SerDes、ネットワーキングを押さえているためだ。Marvell は XPU-attach プログラムを通じて10-20%(500億から1000億ドル超)、MediaTek はコスト最適化バリアントで20-30%(1000億から1500億ドル)を取りにいく構図となる。MediaTek は Google 内製チームと Zebrafish(TPU v8t、3nm)で協業しているが、Broadcom には18カ月のリードがあるとされる。 レーティングは両社とも据え置きだ。 Broadcom $AVGO は買い継続、目標株価530ドル(CY27予想 PER の30倍、SBC 込み)。FQ3 決算は9月2日の引け後に予定され、売上高約294億ドル、AI 半導体売上高は前年同期比200%超増がガイダンスとして示されている。顧客はAnthropic、Google、Meta、OpenAI を含む6社体制で、CY27 開始の Meta および OpenAI からの新規ランプアップが短期需要を下支えする。 Marvell $MRVL はトップコネクティビティピックとして維持、目標株価365ドル(CY30予想プロフォーマ EPS 15.04ドルの31倍を2年分割り引いた水準、過去中央値26倍をやや上回る)。XPU-attach の新規受注は収益可視性を高める一方、競争激化がマルチプルへのリスクとして残る。 直近の検証ポイントは2つ。Marvell の FQ2 決算が8月27日、Broadcom の FQ3 が9月2日である。Marvell 側では Google 案件の規模とタイミング、Broadcom 側では TPU の世代交代に伴う単価とコンテンツ構成が問われる。 構造的には、Google が単一供給から複数供給へ移行したこと自体は既定路線であり、争点は「誰が外れるか」ではなく「システム1台あたりの価値をどう分けるか」に移った。 Broadcom にとっての実質的なリスクはGoogle の喪失ではなく、シェアの逓減とマルチプルの剥落である。実際、8月14日の下落は AMD 要因ではなく、BofA のクレジット部門が Broadcom の発行体格付を Overweight から Marketweight へ引き下げ、AI チップ向けオフバランス調達の規模を3700億ドルと試算したことが引き金だった。エクイティ側の強気とクレジット側の慎重論が併存している点は、今の $AVGO を見る上で外せない。 調達額に株式を紐づける構造は、NVIDIA と OpenAI、AMD と OpenAI に続く流れであり、循環取引的な性格からバリュエーション膨張への懸念も指摘されている。Marvell 側には最大6.3%の希薄化が伴う。1200億ドルという数字を売上確約と読み違えないことが重要となる。
もっと見る