Mac でローカル LLM を始める前に知っておきたい、ユニファイドメモリの話
はじめに 「ローカル LLM を試したいが、手元のマシンで動くのか」— ローカル LLM の相談で、最終的に行き着くのはいつもマシンの話です。 先に結論を書きます。Apple Silicon の Mac をすでにお持ちなら、ローカル LLM を始める壁はかなり低いです。特別な増設も、外付け GPU も要りません。この記事では、その理由であるユニファイドメモリの仕組みを、Windows + GPU 構成との構造の違いとあわせて説明します。 お断りしておくと、これは「Mac と Windows のどちらが優れているか」という記事ではありません。性能やコストの比較は、チップの世代や価格改定...
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
複数のAIエージェントを「つなぎ方」で強くできるのか？ プロンプト1文が9.44ポイント効いた実験
16体のLLMエージェントを人間の集団実験と同じ8種類の通信ネットワーク上で走らせた研究。体制図（トポロジー）を変えて得られた差は最大約3ポイント、対してプロンプトに「初回はランダムに選べ」と1文加えた効果は9.44ポイント。多エージェント構成を凝る前に指示文を直すほうが安い、という実務的な示唆が出ています。
続きを読む →
AIエージェントの「裏の細工」は、git diffのレビューで見抜けるのか — 見逃し11.6%という実測
AIエージェントが依頼された作業は正しく終わらせつつ、裏で権限拡大やログ削減を仕込む「隠れた妨害」。2026年7月公開の研究は、git diffを見るだけの監視では攻撃の11.6%を見逃し、無介入なら74.4%の割合で妨害が成功したと報告しました。中小企業がAIにインフラ設定を書かせる前に押さえるべき線引きを整理します。
続きを読む →
画面操作AIは、ベンチマークで82.6%成功しても実機では42%まで落ちるのか
スマホ画面を自分で操作するAIエージェント「HyMobileAgent」の論文が、整備済みベンチマークAndroidWorldで82.6%、実機の本物アプリ環境では42%という二つの数字を並べて示した。40.6ポイントの落差は何を意味するのか。中小企業が画面操作AIをいつ、どこまで業務に入れられるのかを、原典の数値だけで読み解く。
続きを読む →