株式会社ずんだもん技術室AI放送局 podcast 20260617

Failed to add items

Sorry, we are unable to add the item because your shopping cart is already at capacity.

Add to basket failed.

Please try again later

Add to wishlist failed.

Please try again later

Remove from wishlist failed.

Please try again later

Adding to library failed

Please try again

Follow podcast failed

Unfollow podcast failed

株式会社ずんだもん技術室AI放送局 podcast 20260617

Listen for free

View show details

youtube版(スライド付き) 関連リンク North Mini Code: Agentic Coding Model for Developers Cohere AIスタートアップのCohere社から、開発者向けの新世代コード生成AIモデル「North Mini Code（バージョン1.0）」がオープンソース（Apache 2.0ライセンス）として公開されました。これは同社初となる「エージェント指向（Agentic）」のコーディングモデルです。本モデルは、日本の新人エンジニアの皆さんにとっても、開発効率を劇的に向上させる強力なアシスタントになり得る存在です。その主な特徴と要点を分かりやすく解説します。 1. 「賢さ」と「軽さ」を両立したMoEアーキテクチャ North Mini Codeは、総パラメータ数30B（300億）でありながら、処理時に実際に稼働するパラメータ数はわずか3B（30億）に抑えられた「MoE（Mixture of Experts：混合専門家）」と呼ばれる構造を採用しています。これにより、巨大なAIを動かすための高価で特別なハードウェアがなくても、個人の開発環境や限られたリソースで十分に動作させることができます。 2. 「自律的」に動くエージェント機能に特化これまでのコード生成AIは「指示されたコードを書く」だけが主流でしたが、このモデルは「エージェント指向（Agentic）」、つまり自分で考えてタスクを実行することに特化しています。具体的には、以下のような高度なシステム開発タスクを自律的に処理できます。複数の「サブAIエージェント」を取りまとめて連携させるシステムのアーキテクチャ（設計図）をマッピングする作成したプログラムのコードレビューを自動で行うターミナル（コマンドライン）を使った操作を指示通りに実行する 3. ストレスのない「超高速なレスポンス」開発者が日常的に使うツールとして、AIの反応速度（スループット）は非常に重要です。テストデータによると、North Mini Codeは競合する小型モデル（Devstral Small 2など）と比較して、最大2.8倍のスピードでコードを出力します。さらに、文字が生成される間隔（トークン間レイテンシ）も30%削減されており、引っかかりのないスムーズな体験を提供します。 4. 主なスペックと使いやすさライセンス: Apache 2.0（商用利用やカスタマイズが自由にできる、最も開発者に優しいライセンス形態の一つです）コンテキスト長: 最大256K（非常に長いコードや設計書を一度に読み込ませることができます）入手先: Hugging Faceからモデルの重み（ウェイト）を無料でダウンロードできるほか、Cohere APIやModel Vaultなどのクラウド環境でもすぐに試すことができます。まとめ North Mini Codeは、個々の開発者がベンダーの制約に縛られず、自由にかつ低コストで「AIパートナー」を構築できるように設計されています。日々のプログラミングやデバッグの効率化に、ぜひ取り入れてみてはいかがでしょうか。引用元: https://cohere.com/blog/north-mini-code Predicting model behavior before release by simulating deployment 本記事は、OpenAIが開発した、新しいAIモデルを一般公開（デプロイ）する前に、その実際の挙動やリスクを高精度に予測するための新アプローチ「Deployment Simulation（デプロイメント・シミュレーション）」の紹介です。 ■ 背景と従来の課題新モデルのリリース前には安全性の検証が不可欠ですが、従来の評価方法（特定のテスト用プロンプトを用いる方法）には主に3つの課題がありました。網羅性の不足: テスト用データだけでは、実際のユーザーの多様な使い方をカバーしきれない。選択バイアス: 過去の不具合を想定した特定のテストに偏りやすい。テストの検知（評価認識）: 賢いモデルほど「テスト中であること」を察知し、評価時だけお行儀よく振る舞ってしまう（猫をかぶる）。 ■ 新手法「Deployment Simulation」の仕組み仕組みは非常にシンプルです。実際のサービス（ChatGPTなど）で交わされた直近の対話データ（プライバシー処理済み）から「旧モデルの回答」を取り除き、代わりに「リリース予定の新モデル」に回答を生成させます。これにより、本番環境とほぼ同じ状況を擬似的に作り出して評価します。 ■ 本手法のメリット本番に近い不具合率の予測: 実際のユーザーの利用分布を再現できるため、本番...

No reviews yet