AIスロープの検出：技術と警鐘
AI生成コンテンツの検出に関する技術ガイド
AI生成コンテンツの増加により、新たな課題が生じています。それは、本物の人の書き方と「AIスロップ」（https://www.glukhov.org/ja/post/2025/12/ai-slop-detection/ “AIスロップ”）を区別することです。AIスロップとは、低品質で大量生産された合成テキストのことです。
LLM
OllamaでLLMを選択する：Self-Hosting Cognee
ローカルLLMを使用してCogneeをテストする - 実際の結果
CogneeはPythonフレームワークで、LLMを使用してドキュメントから知識グラフを構築します。 しかし、これはセルフホストされたモデルと互換性がありますか？
BAML vs Instructor：構造化されたLLM出力
BAMLとInstructorによる型安全なLLM出力
プロダクション環境で大規模言語モデル（LLM）を扱う際、構造化され、型安全性のある出力を得ることが極めて重要です。 この問題の解決策として、2つの人気フレームワーク—BAMLとInstructor—がそれぞれ異なるアプローチを採用しています。
正しいLLMの選択：Cognee用のローカルOllama設定
LLMを自社でホストするCogneeについての考察
Best LLM for Cognee を選ぶ際には、グラフ構築の質、幻覚率、ハードウェアの制約のバランスが求められます。
Cognee は、Ollama を介して 32B 以上の低幻覚モデルで優れた性能を発揮しますが、軽量な設定では中規模のオプションも使用可能です。
PythonでOllama Web Search APIを使用する
PythonとOllamaを使ってAI検索エージェントを構築する
OllamaのPythonライブラリは、今やOLlama web searchのネイティブな機能を含んでいます。わずか数行のコードで、ローカルのLLMをインターネット上のリアルタイム情報を補完し、幻覚を減らし、正確性を向上させることができます。
RAG 比較のためのベクトルストア
RAG スタックに適したベクター DB を選択しましょう
適切な ベクトルストア を選択することは、RAG アプリケーションのパフォーマンス、コスト、スケーラビビリティを決定づけます。この包括的な比較では、2024-2025 年における最も人気のあるオプションを取り上げています。
GoでOllama Web Search APIを使用する
GoとOllamaを使ってAI検索エージェントを構築する
OllamaのWeb検索APIは、ローカルLLMにリアルタイムのウェブ情報を補完する機能を提供します。このガイドでは、GoでのWeb検索の実装について、単純なAPI呼び出しからフル機能の検索エージェントまでの実装方法を示します。
Ollama、vLLM、LM Studio：2026 年にローカルで LLM を実行する最善の方法は？
2026 年の最も優れたローカル LLM ホスティングツールを比較します。API の成熟度、ハードウェア対応、ツール呼び出し機能、および実世界でのユースケースを取り上げます。
LLM をローカルで実行することは、現在、開発者、スタートアップ、そして企業チームにとって現実的な選択肢となっています。 しかし、適切なツール（Ollama、vLLM、LM Studio、LocalAI、その他）を選ぶことは、あなたの目標に依存します。
AI/MLオーケストレーション用のGoマイクロサービス
Goマイクロサービスを使用して堅牢なAI/MLパイプラインを構築しましょう
AIおよび機械学習（ML）ワークロードがますます複雑になるにつれて、強固なオーケストレーションシステムの必要性が高まっています。Goのシンプルさ、パフォーマンス、並行処理能力は、MLパイプラインのオーケストレーションレイヤーを構築する際に理想的な選択肢です。モデル自体がPythonで書かれている場合でも、Goは理想的な選択肢です。https://www.glukhov.org/ja/app-architecture/integration-patterns/go-microservices-for-ai-ml-orchestration-patterns/ “Go in ML orchestration pipelines”。
クロスモーダル埋め込み: AIモダリティの橋渡し
テキスト、画像、音声を共有された埋め込み空間に統一する
クロスモーダル埋め込みは、人工知能において画期的な進展をもたらし、統一された表現空間内で異なるデータタイプ間の理解と推論を可能にします。
消費者向けハードウェア上の AI インフラ
オープンモデルを活用して、予算内のハードウェアでエンタープライズAIをデプロイする
AI の民主化はここにやってきました。 Llama、Mistral、Qwen などのオープンソース大規模言語モデル（LLM）が現在、プロプライエタリなモデルと競合するレベルに達しており、チームは 消費级ハードウェアを使用した AI インフラストラクチャ を構築することで、コストを削減しながらもデータプライバシーとデプロイの完全な制御を維持することが可能になりました。
高度な RAG: LongRAG、Self-RAG、GraphRAG の解説
LongRAG、Self-RAG、GraphRAG - 次世代の技術
検索拡張生成 (RAG) は、単純なベクトル類似度検索の域を遥かに超えて進化しました。LongRAG、Self-RAG、GraphRAG は、これらの能力の最先端を代表しています。
PythonでFLUX.1-dev GGUF Q8を実行しています
GGUF量子化でFLUX.1-devを高速化
FLUX.1-dev は、驚くほど美しい画像を生成できる強力なテキストから画像生成モデルですが、24GB以上のメモリが必要なため、多くのシステムでは実行が難しいです。 GGUF量化されたFLUX.1-dev は、メモリ使用量を約50％削減しながらも、優れた画像品質を維持するという解決策を提供します。
Dockerモデルランナー: コンテキストサイズ設定ガイド
Docker Model Runnerでコンテキストサイズを設定する際の回避策
Docker Model Runnerにおけるコンテキストサイズの設定は、本来よりも複雑です。
FLUX.1-Kontext-dev: 画像拡張AIモデル
テキスト指示を使って画像を拡張するためのAIモデル
ブラックフォレスト・ラボズは、FLUX.1-Kontext-devという高度な画像から画像へのAIモデルをリリースしました。このモデルは、テキストの指示を使って既存の画像を補強します。
DockerモデルランナーへのNVIDIA GPUサポートの追加
NVIDIA CUDAをサポートしたDocker Model RunnerでGPU加速を有効にする
Docker Model Runner は、Dockerが公式に提供するローカルでAIモデルを実行するためのツールですが、
Docker Model RunnerにおけるNVidia GPUの加速の有効化 には特定の設定が必要です。