技術

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。

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。

推論モデルでメモリをどう配分すべきか。1700実験から導かれた量子化・KVキャッシュ・推論長のトレードオフを解説する。

PHPUnitのPHPTテストランナーに安全でないデシリアライズの脆弱性が発見された。CI/CDパイプラインへの攻撃リスクとその対策をまとめた。

ビジュアルノベル向けキャラスプライト生成スイート VNCCS と、そのユーティリティ QWEN Detailer について調査した。サイドツインテールの安定生成に使えるか？

Alibaba Tongyi-MAIの画像生成AI Z-Imageが、キャラクターの造形を崩さず漫画風イラストを出せるのでは？と思い、RunPod+ComfyUIで動かせるか調査した