ターミナルの画面を「ドキュメント」として扱う端末を作った
キーバインドが覚えられない。 WezTerm も NeoVim も良いのは分かっています。何度か入れて、何度か戻しました。 毎回同じところで止まる。覚える気が無いのではなく、覚える前に手が止まる。 それなら「キーを覚えなくても全部できる端末」を作ればいい、と思って作りました。 https://github.com/hyuga611/tsumugi Rust 製、MIT / Apache-2.0。Windows で開発しています。 中身は 1 点だけ ターミナルの画面をドキュメントとして扱う。 普通のターミナルでは、過去の出力は「もう終わったもの」です。スクロールして 眺めることはで...
出典: Zenn AI（配信元の紹介文より引用）
このニュースの全文は、配信元でお読みいただけます。 Zenn AIで元記事を読む →
編集部の実践記録から
社内データにAIを「たどらせる」方式は、追加学習なしでどこまで当たるのか（Macro F1 66.29%／最難関40.83%）
知識グラフを段階的にたどらせてSPARQLを生成する手法MARSが、ファインチューニングなしで既存手法を上回った。ただし最高でもMacro F1は66.29%、最難関ベンチマークでは40.83%。社内DBへの自然文質問AIを検討する中小企業が、精度の天井をどう見積もり、どこに人を残すべきかを一次資料の数字から読む。
続きを読む →
Kimi K3の使い方は3通り — 中小企業が現実的に触れるのはどれか
2.8兆パラメータのオープンウェイトモデル「Kimi K3」を実際に使う経路は、公式API・Kimi Code CLI・自前ホスティングの3つです。公開されている仕様と料金を一次情報から整理し、中小企業にとってどれが現実的かを見ます。API単価はClaude Sonnet 5と同額でした。
続きを読む →
AIの正解ラベルは100件で足りるのか？7,241件分の精度に到達した選び方と、9回中5回失敗した落とし穴
7,241件のデータプールからAI自身の不確実性で100件だけ選ぶと、全データ学習とほぼ同じ精度に届いた。一方で1回きりの微調整は9シード中5シードが物理的にありえない出力を学習し、検証スコアはそれを検知できなかった。ラベル作成コストに悩む中小企業が読むべき、選び方と止め方の設計を解説する。
続きを読む →