#LLM

M4 Mac miniのAGYでGemini 4 Argonの提供状況を確認。GPT-6.1 SolとClaude Opus 5.5の価格・性能を、公式評価とCLIの小テストで比較する。

AWSがオープンソースで出したAIエージェント用ハーネス「Strands harness」を、公式ブログに埋め込まれたベンチマークの数値から同一モデル同士で比べた。LLMの差し替え方、既定で入っている機能、承認なしでシェルを実行する既定値の注意点も整理する。

Qwen3-EmbeddingとQdrantの長期記憶をStackChan用の音声チャットサーバーに組み込み、会話から事実文を自動で抜き出して後から聞き返すテストを音声で通した。ラーメンとギターは思い出せたが、箱根の予定だけは疑問符の全角と半角で判定が変わるほど、しきい値0.45すれすれのスコアだった。

ModernBERT、Qwen、拡散モデルで作られたJevクローン6種を比較。本文の計算共有、質問の分離、候補の採点方法から、Jevの挙動を説明できる部分と各方式の限界を確かめた。

TypeSafe AIのJevに技術記事の本文を原文・改行なし・記号なしの3形式で送り、LLM文体スコアやリズムの採点が入力形式でどう変わるかを実測テストした。さらに質問文を書くモデルをClaudeやGemini、Qwenに変えて判定の差も検証した。

Claude Fable 5.1が370年間未解読だった暗号を自律解読したとする報告に対し、大英図書館の原本調査で暗号文の不在や抽出の不可能性が判明した。解読成功と報じられた平文の正体と自律推論の検証課題を整理する。

TypeSafe AIが発表した判断特化型モデル「Jev」の料金体系、クローズドAPIの現状、自己回帰型Transformerや拡散言語モデルとのアーキテクチャの差、DOOM実証のコスト感を整理した。

LLMアプリケーションのプロンプトインジェクションはなぜ従来の脆弱性で扱えないのか。2024年11月にMITREが正式追加したCWE-1427の仕様をもとに、自然言語ストリームにおける指示とデータの非分離問題や攻撃形態、Dual-LLMやガードレールによる防御構造を整理する。

Qdrantで検索した記憶をQwenに渡す会話テストで、最新の作業が候補に入らない問題と新しい記憶がしきい値を割る問題を、類似度に新しさの加点1項を足すだけで直した。係数は4候補を機械的に選び、無関係な記憶が増える副作用まで実測した。

StackChanに載せる前に、Qdrantで検索した記憶をQwen3.7-Plusへ渡す会話をPC側で10問固定のセットで試した。記憶の主語を省くとキャラが自分の話と取り違え、しきい値0.45の前後は文面差で判定が逆転し、途中でModelScopeの埋め込みAPIが消えてローカルに切り替わった。その分をLLM側で取り返せるかアンバサダー枠の5モデルも叩いた。

McCoy、Soulos、Linzen、SmolenskyのarXiv論文は、GPT-OSSの全層・全入力トークンの隠れ状態をテンソル積表現という閉じた式で作り直し、算術・論理・コード・言語の6タスクで本体の答えがほぼ変わらないことを示した。7つのLLMのピリオド位置の実験、役割を書き換える介入の成功率、足し算だけの解釈と何が違うのかを確かめた。

arXivのLarge Emotional World Modelは、動画に映る人物の感情を7クラスのラベルとして予測し、それを条件にして次の状態を予測する。要旨の45.72%や6.10%がどのベンチマークのどの比較から出た数字なのか、データセットの効果と感情機構の効果を分けて調べた。