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 ぷりいべ
ぷりいべ 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
ぷりいべ を含む検索結果
いままでプリコネでこんなキス顔のスチルがあっただろうか(イベストより)
💐comment💐 ベストアルバム発売を記念してチコハニにゆかりのある皆さまからコメントをいただきました✨ 鎖那ちゃん☁(@sanapri ) ハニワファミリーで一緒に成長してきた、友でありライバルでもあるさなぷり。 一緒にステージパフォーマンスを考えていたあの頃が、懐かしくて愛おしいね😌✨ また一緒に歌おう!対バンもぜひ🔥 ずーーーっと大好き🫶 (P.S.『ubique』の初ワンマンライブ開催おめでとうございます🎉) 素敵なコメントをありがとうございました💐 ---- BEST ALBUM 「i BEST -Singles Collection-」 💿 🎧 #チコハニ# #チコハニ_iBEST#
もっと見る
映像に関しては超ド素人ですが、Xの色々な方の投稿を参考にやってみました。執筆ワークベンチから台本を作って、Three.jsでプリビズを作り、そこからH3に流すと、ローカルでも映像が思った通りに作れます。もっとも、無知ゆえに、この数カット分の試行錯誤だけで、一週間以上かかっています。(^^;
もっと見る
『VIVANT』まさかの新事実 “重要キーマン”の正体にネット震える ⠀ 重要人物エリシャの娘・プリシャは現在9歳と判明。同じ年齢の登場人物といえば、ジャミーン…前シーズン第1話では、 彼女の父アディエルが亡くなった際、ベキが「"また"、ひとりにしてしまった」という発言をしていたことも注目されている。
もっと見る
長いコンテキストのLLM推論、KVキャッシュをディスクに逃がすべきかGPUで再計算すべきか、実は「常に正解」は存在しません。それを定量的に判断する仕組みを作った論文です。 タイトル: Building py-kvcache: A Performance Characterization of External KV Caching for vLLM with NVMe SSDs URL: 📝 概要 vLLM向けの外部KVキャッシュシステム「py-kvcache」を提案。io_uringによる非同期I/OでPython実装ながらSSDの読取帯域13.5GB/sをほぼフルに引き出します。 ❗ 解決する課題 既存の外部KVキャッシュ(LMCacheなど)は「いつ使うべきか」の判断基準を持たず、短いプリフィクスや高速GPUでは再計算の方が速いのに無条件にディスクから読み込んでしまう問題がありました。 ⚙️ 方法論 リクエストの待機時間中にディスク読込を先行させる「スケジューラ認識プリロード」と、TTFT改善が見込めない場合はロードを拒否する「ブレークイーブンゲート」を導入しています。 📊 実験結果 LongBenchのマルチ文書QAでGPU再計算比6.02〜7.43倍、LMCache比2.77〜3.64倍高速化。マルチターンのSCBenchでは、ネイティブvLLMのディスク読取3.4TBに対しpy-kvcacheは85GBに抑え、完了時間も1200秒超から480秒へ短縮しました。 🖥️ ユースケース H100のような高性能GPUでは外部キャッシュなしでも十分高速なのに対し、RTX 4000 Adaのような手元のGPUでは外部キャッシングが明確に有効という、ハードウェア次第の判断指針も提供しています。 #LLM推論# #vLLM#
もっと見る
# ADKの便利で実践的な使い方 同じシステムプロンプトやツール定義を何度も送信していませんか?Context Cachingで繰り返しのトークンコストを大幅に削減しましょう💰 📌 **タイトル**: Context Caching 🔗 **URL**: ## 🧩 概要 Context Cachingは、LLMに送信するコンテキスト(システムインストラクションやツール定義など)の静的な部分をキャッシュし、繰り返しのトークンコストを削減する機能です。 `ContextCacheConfig` を設定することで、毎回のリクエストで同じプレフィックストークンを再送信する代わりに、キャッシュされたコンテキストを参照するようになります。 特にマルチユーザー環境で同じエージェント(同じプロンプト・ツール定義)を多くのユーザーが利用する場合、コスト最適化の効果が顕著です。 ## 🛠 使い方 `google.adk` から `Agent` を、`google.adk.agents` から `ContextCacheConfig` をインポートします。`ContextCacheConfig(max_entries=100, ttl_seconds=3600)` でキャッシュエントリの上限と有効期間(秒)を設定します。この `cache_config` を `Agent` の `context_cache_config` パラメータに渡すことで、`instruction` に記述した長いシステムプロンプトや `tools` に指定したツール定義(`search_kb`、`create_ticket`、`escalate` など)の静的部分がキャッシュされ、繰り返しのトークンコストが削減されます。 ## 🏗 実践的な使い方 **大規模カスタマーサポートの最適化:** カスタマーサポートエージェントでは、以下の要素が全ユーザーで共通です。 - システムインストラクション(対応ガイドライン、トーン、禁止事項) - ツール定義(ナレッジベース検索、チケット作成、エスカレーション) - Few-shotの例示 これらの静的なコンテキストは毎リクエストで数千トークンになることがあります。1日1万リクエストのサポートボットなら、Context Cachingにより膨大なトークン削減が見込めます。 **RAGパイプラインでの活用:** ツール定義にナレッジベースのスキーマや検索パラメータの説明が含まれる場合、これらをキャッシュすることで各クエリのコストを最適化できます。 **マルチテナントSaaS:** 同一のエージェント定義を複数テナントで共有する場合、テナント固有の情報のみが動的部分となり、共通のプロンプトとツール定義はキャッシュで共有されます。 ## 💡 ユースケース - 💰 コスト削減: 長いシステムプロンプトの繰り返し送信コストを削減 - 🚀 レイテンシ改善: キャッシュヒット時のプリフィル処理が高速化 - 👥 マルチユーザー最適化: 同じプロンプトを使う複数ユーザーでキャッシュを共有 - 🏢 マルチテナント: テナント共通部分のコンテキストを効率的にキャッシュ - 📚 大規模ツール定義: 多数のツールを持つエージェントのツール定義コストを最適化 ## ⚠️ 注意点 - Context Cachingはモデルプロバイダーのサポートに依存します。利用可能なモデルを事前に確認してください - キャッシュのTTL(有効期限)が短すぎるとヒット率が下がり、長すぎるとメモリを消費します。アクセスパターンに応じて調整してください - システムプロンプトやツール定義を頻繁に変更する場合、キャッシュの恩恵は限定的です - キャッシュのコスト自体も発生する場合があります。プロバイダーの料金体系を確認し、トータルコストで判断してください - 動的なコンテキスト(ユーザー固有の情報など)はキャッシュ対象外です。静的部分と動的部分を明確に分離して設計しましょう ✨ Context Cachingは「同じことを何度も言わない」をインフラレベルで実現します。マルチユーザー環境でのコスト最適化に大きな効果を発揮します! #ADK# #AIAgent#
もっと見る
#福音館100冊マラソン# 31冊目読了 マーク・トウェイン『トム・ソーヤーの冒険』 児童文学の悪ガキといえばトム・ソーヤー! 刊行当初から教会その他による批判をあびた、愛すべき名作です。 トムは大人からの躾も日曜学校もコケにしながら、全力で遊びに夢中になっています。 ある日、インジャン・ジョーという男の犯罪に巻き込まれ、日常に暗い影が落とされてしまう。 それでもトムは、遊びに興じること、犯罪に立ち向かうこと、どちらにも最大限の熱意を持って取り組みます。 作者は子どもだけでなく、人間全般を的確にとらえています。 人間は不合理ですが、その不合理さにはパターンがあります。 作者はそのパターンをいくつも見つけ、作品にうまく取り込んでいます。 「なにかをほしがらせようと思ったら、その物を手にはいりにくくしさえすればよい」とか。 「あることをしないと約束するのは、まさにそのことをやりたくさせるための、なにより確実な方法だ」とか。 知的な笑いが生まれていて好きです。 ところで最近、今の子どもたちに大人気の『グレッグのダメ日記』を読みました。 トム・ソーヤーもグレッグも悪ガキという点では共通しているのですが、グレッグの「ダメ」っぷりは人気者のトムとは真逆です。 しかしその飾りのない「ダメ」っぷりから、笑いや共感が生まれています。 児童文学の中で求められる悪ガキ像の変遷が興味深く思えました。悪ガキをかき集めて時代順に並べてみたい。 次は続編『ハックルベリー・フィンの冒険』を読みます!
もっと見る
『VIVANT』20話。 ドラムが大暴れしたの、実は全部芝居だったんじゃないか。 野崎さんがジャミーンの名前を出した途端、焦って暴れ出したドラム。あれじゃシンシーに全部バレるだろ、と思ったけど、よく考えるとおかしい。 19話でも野崎さんが「ノゴーン・ベキ」の名前を出した瞬間、ドラムは口をあんぐり開けていた。 どちらも野崎さんが重要な情報を口にした直後。 つまり、ドラムは野崎さんの言葉に合わせて、わざと驚いたり暴れたりしていたのでは? 思い出してほしいのが17話の独房。 野崎さんは「テントのことをよく知っているのは乃木憂助、次に俺、そしてドラムだ」と話していた。 あの言葉、ドラムを安心させるためだけじゃなかったのかもしれない。 外で見ていた劉銘軒たちに、ドラムもテントの重要な情報を知っていると思わせるため。 そうしておけば、野崎さんが何かを明かしたとき、ドラムの反応がその裏付けになる。 そして20話。 エリシャがアディエルの写真を見て、プリシャを連れ去った男だと認める。 そこで野崎さんは、アディエルには9歳の娘ジャミーンがいて、日本にいると明かした。 直後にドラムが大暴れ。 これでシンシー側は、ジャミーンこそプリシャだと確信した可能性がある。 実際、劉は日本での指揮権を求めて動き出した。 だとしたら、野崎さんの狙いは最初からシンシーを日本へ向かわせることだった? ドラムの大暴れも、野崎さんが椅子を投げたのも、全部相手を信用させるための芝居だったとしたら。 ドラム、じっとできないんじゃなかった。 一番じっとして見ていられなかったのは、私たち視聴者だったのかもしれない。 #VIVANT#
もっと見る
AIが「外部検索なし」でファクトを記憶・更新・忘却する時代が来ました。メモリをモデルに内蔵する新たなパラダイムが論文として公開されています。 タイトル: Metis: Memory Foundation Model 🔍 概要 現在のRAGなど外部メモリモジュールには、バックボーンとの分離・勾配伝播困難・推論レイテンシという3つの根本的限界があります。MetisはこれをTransformerブロック内に「ネイティブメモリ」として統合するアプローチで、Chain-of-ThoughtがLLMにネイティブに組み込まれたように、メモリも外部依存から解放しようとする研究です。 🛠 解決する課題と提案手法 2つのコアコンポーネントを導入します。ローカルメモリブロック(高密度メモリネットワークを推論ステップ間で指数移動平均更新)とハイパーメモリブロック(静的パラメータによるフォワードパスでのメモリ変換)です。4種のメモリ操作(Remember/Update/Forget/Reflect)を、バックグラウンドの勾配更新なしに順伝播計算だけで実行します。 📊 実験結果 コンテキストなし設定のMemOpsベンチマークで、Metis-27Bは24.76%を達成しました。 ・ベースライン Qwen3.5-27B(コンテキストなし): 1.69% ・テスト時訓練 Temp-LoRA-27B: 9.70% ・パラメトリックメモリ δ-Mem: 4.38% 自社テストセットではReflect(マルチホップ推論)で93.44%、平均73.77%を達成。すべての比較手法を大幅に上回っています。 💡 実用的な意義 RAGの検索・ランキング・プリフィリングコストを回避しつつ、パラレル計算でメモリ操作を実行するため推論レイテンシを抑えられます。ポストトレーニングによるドメイン適応も可能で、コードとモデルチェックポイントはGitHub(MemTensor/Metis)とHuggingFaceで公開されています。 #LLM# #AIエージェント#
もっと見る
【バイブコーディングにどハマりして思ったこと】 長いです! 本業がシステム屋なもんで、ゴリゴリ自分の作業をシステム化するためにCodexを使っているのですが、「あ、これ個人クリエイターに必要な視点かも」と思ったので呟きます。 SeedanceやらMinimaxやら、どんどんレベルの高い動画モデルが出現することで、 大量に出回るAI slopが「30点」から「60-70点」になっていると感じています。 自分が交流させていただいている、尊敬できるクリエイターさんは200点とか、500点とか、1000点の動画を出されています。(へっぽこクリエイターの自分が採点するのもおこがましいですが) ただ、このご時世では「30点の動画が100個出回る時代」から「60-70点の動画が1000個出回る時代」になっているんですよね。 個人クリエイターさんの現状は、おひとりだと「1000点の動画を10個出す」が人力だけだとどうしても限界になって来ている気がします。 ここで生き残り、より多くの方々に見てもらうには「1000000点の動画をコンテストに出して多くの人に見てもらう」と、「1000点の動画を作る思想や仕組みを配り、インフルエンサーになる」という道が現状はあると思っています。 でも、システム屋としては、もうひとつの道があると思うんですよね。 それが、「1000点の動画を100個出す」です。 単純計算で測れる世界ではないですが、少なくとも合計値ではAI slopを上回れます。 そのためにすべきことは、企業がやっていることと同じこと。 「効率化できることを徹底的にシステム化して効率化し、自分にしか出来ないことに割くリソースを増やす」なんです。 幸いにもバイブコーディングの進歩によって、システムの開発そのものは容易になってきています。 自分しか使わないシステムなら、運用も保守もそこまでこだわる必要はありません。 現在のCodexの使い方の主流は「高度な知能とMCPを活かしてプリビズを作る」「ゲームなどを作って自作品のIPを広げる」になっている印象ですが、 「既存の作業を効率化して、いいものをたくさん作れるようになる」にトークンを割くのもひとつの選択肢です、というご提案でした。
もっと見る