はてなブックマーク

tl;dr Codex CLI v0.105.0 で音声入力（Voice Transcription）が追加されたよ codex features enable voice_transcription で有効化できるよ スペースキーの長押しで録音、離すと文字起こしされるよ API キー認証時は gpt-4o-transcribe（/v1/audio/transcriptions） ChatGPT Auth 認証時は /backend-api/transcribe エンドポイント経由で macOS で動作確認済み。Linux は未対応だよ Codex CLI の Voice Transcription とは Codex CLI v0.105.0 で追加された音声入力機能。プロンプト入力欄が空ならスペースキー押下で録音が始まり、入力欄にテキストがある場合はスペースキー長押しで録音が始まる。離す

tl;dr OpenAI DevDay 2025 がサンフランシスコで開催されたよ サンフランシスコ現地から情報をお送りするよ ChatGPT 上で使える Apps SDK が公開されたよ（収益化の話も） AI Agent ワークフローを構築するための AgentKit が公開されたよ 合わせてノーコードライクに操作できる Agent Builder も公開されたよ Codex が正式リリース、Slack から使えるようになったよ 動画生成の Sora 2 の API が公開されたよ サムアルトマン CEO のキーノート すべての講演のプレイリスト Apps SDK 使用イメージはこの動画を見ておくと良い。 ChatGPT 内で使えるアプリ機能。ChatGPT との会話中に提案、あるいは明示的に指定することで呼び出せる。開発者は 8 億人を超える ChatGPT ユーザにリーチできる。本日

tl;dr OpenAI が Sora 2 を発表したよ Sora を使ってご友人と遊べる iOS アプリが公開されたよ Sora 2 を使うには ChatGPT Pro プランの契約が必須だよ ただし、今はまだアメリカとカナダでしか使えないよ 招待コードがあれば使えるよ OpenAI から動画生成サービスの Sora 2 が発表されました。想像以上にリソースが多かったのでまとめます。 こちらが発表動画。説明も含めて気になる方はぜひ。最後の動画サンプルは下記ポストにて。こちらをまず最初に見ていただくのが良いかと思います。また、各記事にサンプル動画がたくさんついていますので、いろいろ眺めてみるのもおもしろいです。 秒数は少ないですが、映像も音声もかなり自然になっていることがわかるかと思います。 Sora 2 is here 2024 年 2 月に発表された Sora は動画生成における GP

tl;dr Claude Sonnet 4.5 が発表されたよ コーディング性能はあらゆるモデルの中で一番高いよ ミスアライメントがすべてのモデルの中で最も低いよ Opus 4.1 と比べても全体的に性能が向上しているよ Claude Code が v 2.0.0 にアプデされたよ Claude Code にチェックポイント機能がついたよ（ESC x2 か /rewind） Claude Code SDK が Claude Agent SDK にリネームされたよ Claude for Chrome がウェイトリスト登録者全員に解放されたよ Claude API にコンテキスト管理のふたつの機能が追加されたよ Claude Sonnet 4.5 に既に対応済みのサービスをまとめたよ Claude Sonnet 4.5 の発表にともなって公開されたリソースが盛りだくさんで、迷子になりかけたので

tl;dr OpenAI が GPT-5 を発表したよ 書きかけだよ！だんだんと更新しているよ！ ChatGPT では無料プランを含むほとんどのプランで GPT-5 が使えるよ プランごとに Context Window が異なるので気をつけてね（8k / 32k / 128k） ChatGPT 上のモデル選択がシンプルになって GPT-5 / GPT-5 Thinking / GPT-5 Pro の三つになったよ Pro / Enterprise だと前のモデルを選べるけど、じきになくなるよ API 経由だと gpt-5 / gpt-5-mini / gpt-5-nano / gpt-5-chat-latest が選べるよ Codex CLI / Cursor / Windsurf / GitHub Copilot / Cline / Warp からも使えるよ 今回の発表は AGI がで

tl;dr OpenAI から ChatGPT agent が発表されたよ Deep Research や Operator を ChatGPT に統合したよ 使うには Pro / Plus / Team プランが必要だよ 現状 ChatGPT agent のためだけに Plus / Pro プランを契約するのはオススメしないよ 参考文献 Introduction to ChatGPT agent Introducing ChatGPT agent: bridging research and action ChatGPT agent System Card ChatGPT agent Makes Slideshows ChatGPT can Research & Action on Tasks ChatGPT agent Customization ChatGPT agent Does

tl;dr Grok 4 が発表されたよ Humanity's Last Exam という難易度の高いベンチマークでかなりのスコアだよ X プレミアムプラスあるいは SuperGrok に課金すると使えるよ API もある＆試してみたよ 発表動画、公式ドキュメント、試すの順番でまとめます。ざっとどんな感じか知りたい方は、試してみたというところまでスクロールしてください。 ライブ配信より 日本時間で 7 月 10 日のお昼の 12 時開始の予定でしたが、13:01 に始まりました。動画の中のスライドを交えつつまとめます。 幾度となく現れる HLE とはなんぞやという話ですが、Humanity's Last Exam というベンチマーク。平たく言えば、博士課程の学生あるいはそれ以上の研究レベルの問題集。人間のスコアは 5% くらいとイーロンマスクは発言。 初め、一桁台であった HLE スコアは

この記事はほぼすべて Gemini CLI に書いてみてもらいました。ただし、ファクトチェック＆手修正済みです。もし間違えていたらこっそり教えてください。さいごにとおまけは人力です。 Gemini CLI チュートリアル tl;dr コマンドラインで対話的に使えるオープンソースの AI エージェント。 npx https://github.com/google-gemini/gemini-cli ですぐに利用開始。 @ でローカルファイルやディレクトリを AI のコンテキストに追加。 ! でシェルコマンドを直接実行、シェルモードへの切り替えも可能。 GEMINI.md ファイルでプロジェクト毎のカスタム指示を AI に記憶させる。 Google 検索との連携、安全なサンドボックスでの実行、ツールの自作など高い拡張性。 1. はじめに Gemini CLI へようこそ！ このドキュメントは、

tl;dr WWDC 2025 で発表された Apple Container の中で Claude Code を動かしたよ Apple Container では container コマンドを使ってコンテナを管理するよ コンテナの中では Claude Code の --dangerously-skip-permissions オプションを気兼ねなく使えるよ Apple Container のセットアップ Apple Container の GitHub リポジトリは上記。 Release ページから最新のリリース、執筆時点では container-0.1.0-installer-signed.pkg をダウンロードしてください。ダウンロードしたパッケージファイルをクリックして開くと、インストーラーが開かれます。GUI でポチポチ進めてください。おおよそ 200MB ほどの空き容量が必要にな

tl;dr Anthropic の開発者向けイベント Code with Claude が開催されたよ Claude 4 Opus と Claude 4 Sonnet が発表されたよ 無課金を含むすべてのプランで Claude 4 Opus と Claude 4 Sonnet が使えるよ Anthropic API に Code Execution Tool、MCP Connector、Files API、Extended Prompt Caching の 4 つの機能が追加されたよ（ベータ版） Claude Code が正式リリースされたよ これはなに？ 2025 年 5 月 22 日にサンフランシスコにて開催された Anthropic の開発者向けイベント、Code with Claude に関する発表まとめ。公開されたモデルや機能などをひと通り紹介、実際に動かすところまでを解説した記

tl;dr Google I/O 2025 でたくさんのサービスや機能が発表されたよ イベントに合わせて公開されたものはすべてひと通りまとめたよ 発表だけでまだ使うことのできないサービスも多いよ（アメリカ限定も多い） しばらく追記していくよ これはなに？ Google I/O 2025 の発表をまとめたもの。開発者向けに限らず、よくばって発表内容をおおよそ網羅した（書きかけのため予定）ので、気になるところだけ読んでください。発表内容が豪勢で、悲しいかな、徹夜をしてしまったので、せっかくなのでみなさんの時短になれば＆自分の覚え書きとしてまとめています。少しでも参考になれば幸いです。 こちらに今回の発表に関わる全 27 記事が一覧になっており、それらの中から押さえておくべき記事をかいつまんで簡潔にまとめます。 発表動画（Keynote）について 計約三時間の実況中継。場所はマウンテンビューの

OpenAI が SWE Agent、Codex をリサーチプレビューで公開しました。勉強がてら一次情報を元にまとめたので、もしよろしければ下記のスレッドをご覧ください。かいつまんで tl;dr にまとめています。この記事では Codex / Codex CLI を動かす手順をまとめます。 tl;dr Codex はタスクをサンドボックス内で並列実行可能なクラウドベースの SWE Agent o3 / o4-mini を SWE タスクに特化させた codex-1 / codex-mini-latest のふたつのモデルを用意 ChatGPT の Pro、Team、Enterprise プランで利用可（Plus / Edu はもうすぐ） タスクの完了には 1-30 分を要し、挙動をリアルタイムで確認できる コーディングルールは AGENTS.md に記述 マルウェアの開発やプロンプトインジ

tl;dr Anthropic の Development Partner Program が発表されたよ Anthropic はデフォルトでモデルの学習にあらゆるデータを使わないよ Claude Code とのやり取りをモデルの学習に使うことを許可すると、Claude Code の料金が 6%~30% 引きになるよ 登録は Anthropic API コンソールの設定からすぐにできるよ 割引対象は Claude Code の入力トークンとキャッシュの read / write のみで出力トークンは対象外だよ 割引は 2025 年 7 月 31 日まで有効だよ Development Partner Program とはなにか？ Anthropic の怒涛の発表は凄まじいですね...！ ついに Claude Max を契約しようかと悩んでいた矢先に、Anthropic から一通のメールが届

Vibe Coding とはなんでしょうか？ はじめに提唱した Andrej Karpathy 氏はこう言っています。 参考程度に意訳をば。 私が Vibe Coding と呼んでいる新しいコーディングスタイルがあります。それは完全にバイブに身を任せ、指数関数的な変化を受け入れ、コードが存在することさえ忘れてしまうものです。これが可能なのは、LLM（例えば Sonnet を使った Cursor Composer）があまりにも優秀になっているからです。また、私は SuperWhisper を使って Composer と会話するだけなので、キーボードにほとんど触れません。「サイドバーのパディングを半分に減らして」のような、面倒くさくて自分で調べることが億劫な些細な修正をお願いします。常に Accept All を選び、差分は読みません。エラーが出たら、単にエラーのみをコピペするだけで、たいてい

tl;dr 悪用を防ぐための身元確認の話だよ 認証は 5 分程度で終わるよ 完了すると Tier 1-3 でも API 経由で o3 が使えるよ 他には o3 のストリーム出力やリーズニングサマリーが取得できるよ 認証には身分証明書とカメラ付きのスマホが必要だよ 備忘録を兼ねて。 これはなに？ OpenAI による悪用を防ぐ目的の身元確認。一部の開発者は OpenAI API をポリシーに従っていない使い方をしているよう。認証が完了すれば最先端のモデルが使えるようになるというもの。 認証すると何がうれしいの？ Tier 1-3 であっても o3 API が使えるようになります。また、o3 のストリーミング出力やリーズニングサマリー（思考過程のまとめ）が取得できるようになります。 認証の手順 上記の OpenAI の開発者向けページの中の Organization の設定リンクをスマホで開い

Codex CLI のリポジトリ配下にプロンプティングガイドが用意されていました。わかりやすいのでひと通り読んでおくと良いと思います。備忘録も兼ねて人力で翻訳（意訳）。 プロンプティングガイド スタータータスク カスタムインストラクション プロンプトテクニック スタータータスク Codex CLI の動作確認時は下記のコマンドを実行してください。

tl;dr Anthropic API の Prompt Caching にふたつアプデがあるよ Prompt Caching の読み込みトークンが入力トークンの対象外になって、コスト削減とレートリミットが改善されたよ Prompt Caching の書き方で cache_control: {type: ephemeral} の指定が少なくて済むようになったよ テキストの特定範囲を編集できる text_editor ツールが公開されたよ Prompt Caching のアプデ Anthropic API では 2024 年の 8 月から Prompt Caching が導入されています。Cline など大量のトークンを消費する用途にめちゃくちゃ便利な機能です。この Prompt Caching に二点アップデートが加わり、合わせてtext_editorツールが公開されたというのが今回の内容

tl;dr Google の Gemma シリーズの最新版 Gemma 3 が発表されたよ 1B / 4B / 12B / 27B の事前学習済み / 指示学習モデルがあるよ マルチモーダル対応、ロングコンテキスト、多言語対応、数学やコーディングタスクで性能が向上したよ Shield Gemma 2 というテキストと画像の両方を入力できる有害コンテンツ検出モデルもあるよ transformers / Ollama で動かしてみたよ Gemma 3 とは 上記の記事に沿ってまとめていきます。 初見の方でも Gemma 3 という名前から察することのできるように、Gemma / Gemma 2 からの系譜な訳ですが、Google のオープンウェイトモデルの最新版が今回発表された Gemma 3 です。Gemma 2 まではマルチモーダルモデルといえば PaliGemma という別のモデルが存在

tl;dr OpenAI が AI エージェント構築用のツール群を公開したよ ウェブ検索、ファイル検索、Computer Use を内包した Responses API が追加されたよ これからは Chat Completions API や Assistants API の代わりに Responses API を使うことが推奨されるよ Tier による制限は基本的にはないけど、Computer Use だけは Tier 3 以上が必須だよ Computer Use は Operator と同じ CUA モデルを使用しているよ Agents SDK という OSS の軽量 SDK も公開されたよ（旧 Swarm の改良版） 情報源とそれぞれの簡単なまとめ 一次情報のみから。公式の X のポストがいちばん短くまとまっています。 開発者用の AI エージェント構築ツールをリリース Respon

tl;dr OpenAI API を無料で毎日 100 万トークンまで使えるようになったよ 私の手元では Tier 4 にあげた翌日に使えるようになったよ データが学習に使われることに同意する必要があるよ 無料利用枠はプロジェクトごとの適用なので専用のプロジェクトを作るといいよ そもそもなんの話？ OpenAI API は本来は有料で利用するものですが、特定の条件を満たした方のみ 2025 年 4 月 30 日まで毎日 100 万トークンまで無料で使えるようになるというオファーの話です。 特定の条件というのは明らかにされていませんが、おそらく Tier 4 まであげること、あるいは同等の利用履歴があることが必要だと思われます。「無料」と喧伝される方もいらっしゃるようですが、一円もかけずに使うことは困難かと思われます。ゼロから Tier 4 まであげるには $250、日本円にして四万円弱かか

tl;dr OpenAI が GPT-4.5 を発表したよ 現状 Pro プランか API のみで利用できるけど、来週以降に他プランでも使えるようになるよ 教師なし学習を使ったリーズニングしないモデルで性能向上を図っているよ ChatGPT ウェブ版では検索機能やファイル、画像のアップロード、Canvas 機能に対応しているよ いずれモデルを意識しないユーザ体験に移行するようだよ API は Tier に限らず使えるけど高いので気をつけてね 一次情報を読みながら解説していきます。あんまり重要そうでないところはバッサリ削除しています。なお、画像は引用しています。 X Post 要点を人力でまとめると GPT-4.5 は最大（のパラメータ数？）かつ最高（最高とは？）のモデル 現状は Pro プランのみで利用可能だが、来週以降 Plus、Team、その翌週に Enterprise、Edu でも使

❯ claude --help Usage: claude [options] [command] [prompt] Claude Code - デフォルトでは対話セッションを開始します。非対話型の出力を行う場合は -p/--print を使用してください。 対話セッション中に使用可能なスラッシュコマンド: - /clear - 会話履歴をクリアし、コンテキストからも削除します - /compact - 会話履歴をクリアしますが、要約はコンテキストに保持します - /config - 設定パネルを開きます - /cost - 現在のセッションの総コストと経過時間を表示します - /doctor - Claude Code のインストール状態をチェックします - /help - ヘルプと使用可能なコマンドを表示します - /init - CLAUDE.md ファイルを初期化し、コードベースの

以下の記事は 2025 年 5 月末までの話となるようです...🥺 tl;dr Grok API に $5 課金すると毎月 $150 分のクレジットが使えるようになるよ Grok 3 はまだ使えないよ（2/18 時点） 課金をしてみる Grok API Console に気になる文言を見つけました。 xAI とデータを共有するにはオプトインしてください API リクエストを共有して、Grok の改善にご協力いただくと、毎月 150 ドル相当の無料 API クレジットを獲得できます。有効にすると、オプトアウトすることはできません。 なかなか太っ腹。検証用途に使うには十分なクレジットだと思い、実際に $150 分のクレジットが付与されるか試してみたのがこの記事です。 公式ドキュメントを見てみるとちょうどこの話が書かれたページがありました。 xAI は、データ共有をオプトインするチームに月額

tl;dr 表題の通り、AI 関連情報をキャッチアップする際に追っているアカウントをまとめたよ X をどうキャッチアップに使っているか、どうキャッチアップしていないかをまとめたよ はじめに X でのキャッチアップ、正直疲れませんか？ ChatGPT 公開以後、2022 年 12 月より継続的に AI 関連情報（特に一次情報）をキャッチアップ、微力ながら発信を続けている私が、どの X アカウントから情報を仕入れているかをまとめたものが本記事となります。 前置きで恐縮ですが、私個人のバイアスを多分に含むこと、流動的であることをご了承ください。「発信者」とすると企業アカウントはどうなるの？という疑問が湧くので一律「アカウント」と表記させてください。あくまで参考程度に。自己紹介は省略しますが、気になる方は X の「さらに表示」をご覧ください。 また、普段は note で記事を公開しています。今回は

tl;dr 2023/7/19 に公開された Llama 2 を試してみたよ text-generation-webui の上で Llama 2 をローカル環境（M2 Mac）で動かしたよ 遅過ぎて GPU がほしいとなったよ →Google Colab 版をお勧めするよ 結果的に実用的ではなかったけれど、途中過程は参考になるかもだよ Llama 2 とは Meta の大規模言語モデル。無料で利用可能で、商用利用も可。パラメータ数は 7B、13B、70B。公開データセットから学習されており、個人データは含まれていません。 Llama 2-Chat は Llama 2 をベースに RLHF を施したモデル。既存のオープンソースのモデルを上回る性能を示し、一部の指標ではクローズドなモデルと匹敵する性能。 text-generation-webui とは ブラウザで使える文章生成 AI 用の U