Claude Opus 5.5がProgramBenchで18.5%を解きました。AnthropicのベンチではTerminal-Bench 4.0で66.4%を記録し、推論やエージェント性能も伸びています。aiニュースとして、速度・価格・比較の要点をまとめます。

続きを読む →

Gemini Sparkの直接情報は乏しいが、Google AIの評価基盤が鍵です。適応型ルーブリックや本番ログ、計算指標でエージェントを測る入口が見えます。24/7運用では、hacker的な検証と指標設計が実務の分かれ目になります。素材から読み解きます。

続きを読む →

HobがGPT-OSSを載せたローカルAIとしてHacker Newsで話題です。172ポイントを集め、プライバシーとオフラインが軸です。ベンチマークの信頼が揺らぐ中、自分の環境で試す価値が問われています。

続きを読む →

AIコーディングエージェントの評価が、小さな修正から丸ごと実装へ移っています。ProjDevBenchでは6エージェントの全体受容率は27.38%でした。評価の広がり、失敗の可視化、人の不在という課題がわかります。

続きを読む →

llama.cppはローカル推論の基準として、M1 Maxでの5エンジン比較や量子化の品質・サイズ評価で注目されている。JVM単一JARの高速主張やObsidian連携も話題だが、条件違いのため単純な優劣は難しい。

続きを読む →

Strata/Basaltの最適化で、Qwen3.8 Flash Nextの125B MoEがRTX 5080で動くという報告です。prefill(一括処理)約5500TPS、decode(生成)ピーク275TPSとされ、実用性が一段上がりました。RAMや量子化の制約も扱います。

続きを読む →

OpenClawは、チャットアプリとAIエージェントをつなぐ自前運用の基盤です。今回の素材では、タスク台帳やメモリ分割、評価基盤の存在が読み取れますが、具体的な成功数値や推論速度は示されていません。設計図と評価の輪郭がわかります。

続きを読む →

context windowは長さより掃除と評価が主戦場になっています。400〜700ターンの会話でF1は37.8%、人間は87.9%でした。Rust製GCやGemini 4 Carbon関連の話題から、今必要な視点を読み解きます。

続きを読む →

eBayに9,600枚のA100と4,200個のEPYCを積んだ約6,000万ドルのクラスタが並びました。一方、NVIDIAは40言語対応の音声モデルを公開し、英語WER4.71%を報告しています。旧GPU市場と新モデルの両面からNVIDIAの今を追います。

続きを読む →

Qwen3.8-27Bのローカル実行で、量子化の精度とVRAMの差が注目されています。KLD平均0.0002で重み18.8GiBという報告や、8bit浮動小数点版より39%低い検証などが出ました。圧縮の進み方と、重みの中に計算機を埋める実験の広がりもわかります。

続きを読む →