LLM– tag –

Fable 5とOpus 4.8の自動レッドチーム研究を軸に、AI安全性評価が単発チェックから継続運用へ移る理由を整理します。

Mistral Medium 3.5とSmall 4の公式仕様から、推論・コード・エージェント実行を統合するAI基盤への移行を整理します。

長い会話やエージェントでGPUメモリを食い潰す正体がKVキャッシュだ。GoogleとNYUがICLR 2026で示したTurboQuantは、これを約3ビットまで量子化し、メモリ6分の1・アテンション最大8倍速を精度劣化ほぼなしで実現する。その仕組みと実務インパクトを整理する。

GPT-4・Gemini 1.5・Mixtralが採用する「Mixture of Experts」の仕組みを解説。各トークンで一部エキスパートだけを動かす設計が推論コストを抑えながら高性能を実現する理由と、開発者・企業の実務への影響を整理する。

AIモデルの安全性評価は公開前チェックから運用中の監視へ移りつつあります。ASL、Model Spec、NISTの枠組みから実務影響を整理します。

LLMがIoT機器を操作する時代に必要な安全層として、DCP論文を軸にMCP、IoT-MCP、A2Aとの違いと実務上の確認点を整理します。

OpenAIモデルとCodexのAWS提供を軸に、Gemini、Claude、NVIDIAの最新動向から、AI実装基盤の競争がどこへ向かうかを整理します。

OpenAIが示したChatGPTの新しいメモリ構造を整理。保存メモから背景処理による文脈更新へ進む意味と、利用者・企業が確認すべき設定を解説します。

LMDeployのSSRF脆弱性を起点に、画像URL取得やRAGが生むAI推論基盤の攻撃面を整理。更新、認証、IAM、ネットワーク分離の確認点を解説します。

五眼当局とNISTの最新動向から、AIエージェント導入で重要になる権限管理、監査ログ、段階導入、ツール連携リスクを整理します。