Rain Blooms — Worlds Emerging from Computation 最終日に行ってきた〜 生成と崩壊の繰り返しを眺めてると鑑賞というより観察に近い感覚になった　意図のないはずの色と光が焚き火や魚群みたいに思えて、そこに意味や美しさを見出そうとする自分の感覚含め面白かったし、ずっとあの空間に居たくなった

[7회/풀버전] 'Dream High' ♬우리집_2PM @COMBINATION MISSION #GirlsPlanet999# いつも明るいソが 世界で一番色気あるパフォーマンスしてるので見てください。はちゃめちゃに歌がうまい私の推しのウインクとサビの腰がッッッッッッッもうッッッッッッッ はぁッッッッッッ

OpenAIもAnthropicもGoogleも、モデル名を1行変えるだけで切り替え——プロバイダーごとのSDKを覚える苦労を消すライブラリです🔌 タイトル: andrewyng/aisuite URL: 🔌 概要 Andrew Ng氏による軽量なPythonライブラリです。複数のLLMプロバイダーを、統一されたOpenAIスタイルのインターフェースで呼び出せます。モデル名を「provider:model-name」の形式で指定するだけで、同じコードのまま各社を横断できます。 ❓ 解決する課題 複数のLLMプロバイダーを使い分けると、それぞれ異なるSDK・API・パラメータ構造を覚える必要があり、開発の摩擦になります。 ・aisuiteはこの断片化問題を解決します ・リクエストとレスポンスを標準化し、SDKの差異ではなくロジックに集中できるようにします 💡 主な機能 ・Chat Completions API：プロバイダー非依存の層（temperature・max_tokens・toolsに対応） ・Agents API：ツール処理・状態永続化・ツールポリシーによるガバナンスを備えた構造化エージェント ・Toolkits：ファイル・git・シェル操作の事前サンドボックス化ツール群 ・MCPサポート：任意のMCPサーバーのツールをネイティブに利用 ・OpenCoworker：aisuite上に構築されたデスクトップAIエージェントアプリ 仕組みはプロバイダーアダプタパターンで、命名規約に従いモデル文字列から自動発見・生成します。 🌍 対応プロバイダー / 使い方 OpenAI・Anthropic・Google・Mistral・Hugging Face・AWS・Cohere・Ollama・OpenRouterなどに対応（拡張可能）。ai.Client()を作り、model="openai:gpt-4o"のように呼ぶだけで、切り替えはモデル文字列の変更のみ。ライセンスはMITです。 #LLM# #オープンソース#

2026年6月16日（火）10:00〜12:00 に認証機能強化に伴うシステムメンテナンスの実施を予定しております。 ※この時間帯は、すべての機能をご利用いただくことができません。 ※メンテナンスの終了は予定時刻に対して前後する可能性がございます。 仕様変更内容およびシステムメンテナンスの詳細はこちら： System maintenance related to the enhancement of our authentication features is scheduled for Tuesday, June 16, 2026, from 10:00 AM to 12:00 PM (JST). ※During this period, all services and functions will be unavailable. ※Please note that the maintenance completion time may vary depending on the progress of the maintenance. For details regarding the authentication feature enhancements and system maintenance, please refer to:

今日のランチ😋 舞茸と小海老のかき揚げ。 お家で揚げ物は、片付けが大変だけど、やっぱり冷たいお蕎麦は揚げたての天ぷらと食べたい❤️ My today’s lunch😋 Although it’s a little hassle to clean up after deep-frying, I love the combination of cold Soba noodles and Tempura❤️ #soba# #tempura#

便利だけど知られていないOpenAI APIの機能 📦 数千件のLLMリクエスト、1件ずつ投げて料金明細にため息をついていませんか？ OpenAIの「Batch（バッチ）」機能を使えば、大量のリクエストをまとめて非同期実行し、大幅な割引価格で処理できます。評価・分類・データ生成など、リアルタイム性が不要な大量ジョブの定番手段です。 📌 タイトル：Batch（バッチ） 🔗 URL： 🧩 概要 LLMを大量に呼ぶワークロードでは、1リクエストずつ同期的に投げるとコストもレイテンシも膨らみます。Batch APIはリクエストをJSONLファイルにまとめてアップロードし、一括で非同期処理してくれる仕組み。通常のAPI呼び出しに比べて大幅に安く、結果は完了後にまとめて取得できます。 🛠 使い方 リクエストをJSONL形式のファイルにまとめてアップロードし、バッチジョブを作成します。処理が完了したら結果ファイルをダウンロード。各リクエストは通常のChat Completionsと同じフォーマットなので、既存のプロンプトをそのまま流用できます。Webhooksと組み合わせれば、完了通知を自動で受け取ることも可能です。 🏗 本番システムへの組み込み方 ・データセットの一括分類・ラベリング：数万件のテキストをカテゴリ分けする処理を夜間バッチで回す。翌朝にはラベル付きデータが揃う。 ・合成データ生成パイプライン：学習用データの生成を大量に回す場合、バッチの割引が効いてコストが大きく変わる。 ・モデル評価・ベンチマーク：複数プロンプトの品質比較を一括実行。結果をまとめて分析できる。 ・定期的な要約・レポート生成：毎週の記事要約や顧客フィードバック分析など、まとめて処理するジョブに。 💡 ユースケース 🗂 大規模テキスト分類・タグ付け 🧬 合成データ・学習データの生成 📊 モデル評価・プロンプト比較 📝 定期バッチでの要約・抽出処理 ⚠️ 注意点 バッチ処理は非同期なので、結果が返るまでに時間がかかります。リアルタイム応答が必要な場面には使えません。また、バッチ内の個別リクエストが失敗することもあるので、結果ファイルのエラーハンドリングは必ず実装しておきましょう。大量ジョブを投入する前に、小さなバッチでテストするのがおすすめです。 ✨ 大量処理のコスト削減は「まとめて投げる」が基本。まずは評価パイプラインをバッチに切り替えて、料金の差を実感してみてください。 #OpenAI# #LLM#

便利だけど知られていないOpenAI APIの機能 📦 数千件のLLMリクエスト、1件ずつ投げて料金明細にため息をついていませんか？ OpenAIの「Batch（バッチ）」機能を使えば、大量のリクエストをまとめて非同期実行し、大幅な割引価格で処理できます。評価・分類・データ生成など、リアルタイム性が不要な大量ジョブの定番手段です。 📌 タイトル：Batch（バッチ） 🔗 URL： 🧩 概要 LLMを大量に呼ぶワークロードでは、1リクエストずつ同期的に投げるとコストもレイテンシも膨らみます。Batch APIはリクエストをJSONLファイルにまとめてアップロードし、一括で非同期処理してくれる仕組み。通常のAPI呼び出しに比べて大幅に安く、結果は完了後にまとめて取得できます。 🛠 使い方 リクエストをJSONL形式のファイルにまとめてアップロードし、バッチジョブを作成します。処理が完了したら結果ファイルをダウンロード。各リクエストは通常のChat Completionsと同じフォーマットなので、既存のプロンプトをそのまま流用できます。Webhooksと組み合わせれば、完了通知を自動で受け取ることも可能です。 🏗 本番システムへの組み込み方 ・データセットの一括分類・ラベリング：数万件のテキストをカテゴリ分けする処理を夜間バッチで回す。翌朝にはラベル付きデータが揃う。 ・合成データ生成パイプライン：学習用データの生成を大量に回す場合、バッチの割引が効いてコストが大きく変わる。 ・モデル評価・ベンチマーク：複数プロンプトの品質比較を一括実行。結果をまとめて分析できる。 ・定期的な要約・レポート生成：毎週の記事要約や顧客フィードバック分析など、まとめて処理するジョブに。 💡 ユースケース 🗂 大規模テキスト分類・タグ付け 🧬 合成データ・学習データの生成 📊 モデル評価・プロンプト比較 📝 定期バッチでの要約・抽出処理 ⚠️ 注意点 バッチ処理は非同期なので、結果が返るまでに時間がかかります。リアルタイム応答が必要な場面には使えません。また、バッチ内の個別リクエストが失敗することもあるので、結果ファイルのエラーハンドリングは必ず実装しておきましょう。大量ジョブを投入する前に、小さなバッチでテストするのがおすすめです。 ✨ 大量処理のコスト削減は「まとめて投げる」が基本。まずは評価パイプラインをバッチに切り替えて、料金の差を実感してみてください。 #OpenAI# #LLM#