技術

PDF、Word、Excel、PowerPointなど多様なファイル形式をMarkdownに変換するMicrosoft製ツール。LLMパイプラインとの統合やMCPサーバー対応も。

ヨーロッパ24言語対応、ボイスクローン機能付きのText-to-Speech。ElevenLabsを上回るベンチマーク結果を出したオープンソースモデル。

OpenRouterが提供する無料モデルの仕組み、レート制限、エージェント利用時の注意点についてまとめた

Notepad++のアップデーター（WinGUp）がホスティングプロバイダの侵害を通じてハイジャックされ、特定ユーザーに悪意あるバイナリが配布されていた事件の解説。

RLで学習させなくても、推論時のサンプリング戦略を変えるだけでLLMの推論性能が向上する。Haitham Bou Ammar氏の記事をもとに、Power Samplingの仕組みと実務的なインパクトを解説する。

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。

LoRAのrank設定が過剰かどうかを特異値分解で定量化するツールGradienceの紹介。Mistral-7Bでの実験ではrank半減で精度が向上した。

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。

Alibabaが公開した画像生成モデルZ-Imageの特徴と、FLUX・Stable Diffusionとの比較。6Bパラメータで低VRAMながらオープンソース1位の実力。