#AI

チャンキングもベクトルDBも使わず、LLMの推論で文書の階層ツリーを構築するRAGシステム「PageIndex」を調べた。段組認識やOCRパイプラインとの接続も考察。

2026年1月に発表された主要な動画生成AIのアップデートを整理し、i2v（画像→動画）で実際に使えるレベルなのか、ローカルで動くモデルも含めて考察した。

Geminiに画像の話題を振っただけで画像生成が始まる現象が2026年1月時点で多発している。Gemini 2.0 Flashのネイティブ画像生成統合が原因と思われ、「保存された情報」ルールや冒頭プロンプトで軽減はできるが完全には止まらず、Google側に公式の停止オプションも用意されていない。

Moonshot AIがリリースしたKimi K2.5の技術的特徴を紹介。1TパラメータMoEアーキテクチャ、MoonViTビジョンエンコーダー、Agent Swarm（PARL）、ベンチマーク結果など。

Gemini CLI、Claude Code、Codex CLIの3つのAIコーディングCLIツールが提供するHooks（フック）機能を比較調査した。設計思想の違いが面白い。

Baiduが公開したPaddleOCR-VL-1.5は、わずか0.9Bのパラメータで文書解析ベンチマークOmniDocBench v1.5において94.5%の精度を達成。GPT-4oやQwen2.5-VL-72Bを上回るSOTA性能を記録した。

AnthropicがClaude Codeの使い方とAgent SDKによるエージェント構築について公式ガイドを公開した。2つのドキュメントの要点を解説。

Shortest、Playwright MCP、Stagehand、Skyvern、QA Wolfなど、AIを活用したE2Eテスト/ブラウザ自動化ツール10種を用途別に比較。信頼性・速度・コストの観点でディープダイブ。

従来のOCRとVLM（Vision Language Model）ベースOCRの違いを解説。DeepSeek-OCRの紹介と、両者を組み合わせたハイブリッド手法の可能性を考察する。

SNSで話題になった「Johns Hopkins大学の研究でChatGPTが27%嘘をつくと判明」という情報の出典を調査した結果、複数の研究が混同されていることがわかった。

Anthropic Claude APIとPlaywrightを組み合わせた自然言語E2Eテストフレームワーク「Shortest」を、Playwrightユーザー視点で解説。Playwright MCPとの比較、注意点、使い分けをまとめた。

実践編・改善編で作ったスクリプトを汎用フレームワーク化してGitHubで公開。使い方と設計思想の解説。