vLLM・SGLang・TensorRT-LLM・Ollamaの設計差を、PagedAttentionやRadixAttentionの仕組みとH100実測値から比較し、TTFT・スループット重視など用途別の選び方を解説します。
LLM-jp-4.1、PLaMo 2.0、Swallowなど主要な国産LLMを学習アプローチとライセンスから比較し、用途別の選び方を解説します。
日本語RAG向けの埋め込みモデルを比較。Sarashina3、ruri-v3、PLaMo、Gemini Embedding、Qwen3-EmbeddingをJMTEBスコア、次元削減、ライセンス、API/ローカル運用の観点から整理し、選び方を解説します。
GraphRAGの仕組みを、知識グラフ構築からLeidenクラスタリング、Local/Global/DRIFT Searchの使い分けまで解説。通常のRAGとの違いと、GraphRAGが劣るケースも含めて導入判断の基準を示します。
2026年のオープンソースLLMをArtificial Analysisの一次データで比較。Kimi K3、GLM-5.3、DeepSeek V4.1 Flashなど8モデルの知能指数・ライセンス・セルフホスト時のGPU要件を解説します。
RAGの精度が上がらない原因を検索側から整理し、チャンキング設計、BM25とベクトルを融合するハイブリッド検索、セマンティックリランキングまで、Microsoft公式仕様の具体的な数値をもとに改善策を解説します。
コンテキストエンジニアリングとは何か、プロンプトエンジニアリングとの違いから、context rot、圧縮（compaction）、構造化メモ、サブエージェント設計、Claude APIでの実装までAnthropic公式情報をもとに解説します。
AI向けGPUをH200・B200・RTX 5090で比較。MLPerf Inference v6.0の実測値をもとに、LLM推論のVRAM容量・メモリ帯域・FP4対応・クラウド単価からモデルサイズ別の選び方を解説します。
詩の形式の問いで24モデルの拒否機構が突破され、安全分類器は計算コストを24%押し上げました。MIT Technology Reviewの報告をもとに、AIの拒否が抱える不確実さと過剰拒否、政治的な偏りを解説します。
LLMの推論と学習に必要なVRAMを、重み・KVキャッシュ・オプティマイザ状態のバイト単位の計算式から解説。量子化による削減幅と24GBから141GBまでのGPU選びの指針も整理します。
LLM評価の方法を自動ベンチマーク、人間評価、LLM-as-a-Judgeの3手法から整理し、位置・冗長性・自己優遇バイアスの定量的影響と対策、自社Evals設計の5ステップを解説します。
プロンプトインジェクションの仕組みを直接攻撃と間接攻撃の違いから解説します。OWASP Top 10 for LLM 2026で3位に上がった過剰な代理権を踏まえ、権限最小化や出力検証などの多層防御を実装レベルで紹介します。
AI-Papers
