youtube版(スライド付き) 関連リンク Ten advances in mathematics and theoretical computer science OpenAI社は、数学および理論計算機科学における10件の長年の未解決問題に対して、新たなブレイクスルーを達成したことを発表しました。これらは数十年以上進展がなかった難問を含み、高次元幾何学、符号理論、群論、作用素代数、量子計算複雑性、格子暗号、極値組合せ論などの幅広い分野にわたっています。この成果は、同社の次期主力モデルの内部バージョンである「Astra」によってもたらされました。特筆すべき点として、これらの解決に必要な総トークン費用は約2,000ドル相当と非常に効率的でありながら、生成された論証は人間によって原稿化され、さらに定理証明支援系「Lean」を用いた形式化（Lean証明書）まで完了しています。また、モデル自身が思考プロセスを解説したナレーションも公開されており、エンジニアや研究者にとってAIの推論・検証プロセスを詳細に追える内容となっています。具体的な成果の例としては、高次元球充填における上限の改善、非ソフィック群の存在証明、Connesの硬直性予想の反証、量子ゲームにおける指数関数的な並列繰り返し定理、ポスト量子暗号に関連する最短ベクトル問題（CVP）の近似困難性、エルデシュの未解決問題を含む多色ラムゼー数の超指数関数的下界の導出などがあります。これらは単なるパターンの出力ではなく、厳密な数学的論理をAIが構築・検証できるレベルに達していることを示しています。エンジニアリングやAI活用の観点からは、大規模言語モデルが文章生成の枠を超え、高度な推論エンジンとして科学的・数学的発見を加速させる実用段階に入ったことを意味します。OpenAI社はアカデミック研究者向けにChatGPTの無償提供などの支援も行いつつ、数学コミュニティとの対話を重視し、AIによる生成プロセスの透明性や帰属のあり方についても誠実に向き合う姿勢を示しています。引用元: https://openai.com/index/ten-advances-in-mathematics deepseek-ai/DeepSeek-V4-Flash-0731 本記事では、DeepSeekが新たにリリースした大規模言語モデル（LLM）「DeepSeek-V4-Flash-0731」の特徴について解説しています。このモデルは、V4ファミリーの最新作として「エージェントとしての能力（Agentic capabilities）」が大幅に強化されている点が最大の特徴です。新人エンジニアの方向けに、技術的なポイントや実務での活用視点を交えて要点を分かりやすくまとめます。まずスペック面ですが、パラメータ数は約3040億（Hugging Face上では約167GB）という大規模なモデルでありながら、非常に高い性能を発揮します。ベンチマークプラットフォームであるArtificial Analysisの評価によると、4280億パラメータを持つMiniMax M3よりも上位にランクインしています。特に注目すべきは「圧倒的なコストパフォーマンス」です。価格設定は入力100万トークンあたり0.14ドル、出力100万トークンあたり0.27ドルとなっており、性能あたりのコスト効率（Value-per-intelligence）において、現時点で市場最高峰のモデルの一つとなっています。類似またはやや低めの性能を持つ他社モデル（MiniMax-M3、Kimi K3、GLM-5.1など）と比較してコストが数分の一程度に抑えられており、さらに性能でこれを上回るモデル（Grok 4.5、Gemini 3.6 Flash、Claude Opus 5など）と比較すると、タスクあたりのコストが劇的に安価（0.04ドル前後 vs 0.4〜3ドル）に収まっています。これにより、APIコストを抑えつつ高度なAI機能を組み込みたいエンジニアにとって、非常に魅力的な選択肢となります。また、実務でのプロンプト利用や推論に関する興味深い検証も紹介されています。OpenRouter経由でデフォルトの推論レベルを使用してイラスト生成プロンプト（ペリカンと自転車を描くタスク）を実行した際、初期設定では構造が崩れた不十分な出力結果となりました。しかし、推論レベル（Reasoning effort）を「high」に引き上げることで、ペリカンの構造や自転車の描写が劇的に改善され、意図通りの高品質な出力を得ることができました。この挙動から、DeepSeek-V4-Flashをアプリケーションに組み込む際は、タスクの複雑さに応じて推論パラメータ（reasoning_effort）を適切にチューニングすることが、期待する品質を担保する上で極めて重要であると言えます。新人エンジニアの皆さんは、APIを利用する際に単にモデルの性能だけでなく、推論パラメータの調整がアウトプットに与える影響を意識しておくと、実務でのトラブルシューティングに大いに役立ちます。引用元: https://simonwillison.net/2026/Jul/31/deepseek-v4-flash-0731/ OpenAIがGPT-5.6 Lunaを80%値下げしたから、今日からCodex派になりました。 OpenAIは、APIにおける「GPT-5.6 Luna」の価格を従来の100万トークンあたり入力1ドル・出力6ドルから、入力0.20ドル・出力1.20ドルへと80%（5分の1）値下げしました。この改定はChatGPTの月額サブスクリプションではなくAPIの従量課金が対象ですが、日々の開発タスクにおけるコストパフォーマンスを大きく塗り替えるものです。記事の執筆者は、今回の値下げを受けて普段のコーディング、調査、ドキュメント作成といった作業の多くを、高い推論設定である「Luna High」から始める運用へと切り替えています。従来の軽量モデルのような「安かろう悪かろう」ではなく、通常のタスクであれば十分実用的な精度を発揮し、Anthropicの「Opus 5」のLow設定程度に匹敵する感覚があると評価しています。そのため、今後のエンジニアリングにおける具体的なワークフローとしては、1) まず「Luna High」で実装やテスト追加、既存コードの読み解きなどの標準的な作業をスタートし、2) 要件が曖昧で設計判断が必要な難度の高いタスクは最初から「Sol」に相談、3) Luna Highで処理が詰まった場合にのみ「Sol」や「Opus 5」といった上位モデルに切り上げる、というハイブリッドな運用が効率的としています。また、AIモデルの性能や価格競争は今後も激化することが予想されるため、特定のIDEやモデルに依存したプロンプト・設定にせず、コードやテスト、ログなどの成果物を環境側（リポジトリ）に残し、日々の最適解に合わせて柔軟にモデルを差し替えられる環境を構築しておく重要性が強調されています。単にモデル単価の安さだけに注目するのではなく、仕事が完了するまでの総コストと身軽さを重視した実務的なAI活用の視点が示されています。引用元: https://note.com/nobel/n/n92fb2ecf10f4 アイドルグループ『Juice=Juice』の宮本佳林さんがAIで10時間配信の全システムを構築し技術ブログも公開している「アイドルの技術ブログ！？」元Juice=Juiceの宮本佳林さんが、シングル発売に伴う10時間のYouTube生配信システムをAI駆動開発で自力構築し、技術ブログを公開して話題になっています。特筆すべき点は、実装のほとんどを「Claude Code」などの生成AIに任せ、自身はコードを直接読まないスタイルでありながら、Cloudflare WorkersやKV、OBS用HUD、スマホからの管理画面、X投稿数の取得機能、さらにVision APIを活用した動画の採点ローカルアプリまでを短期間で設計・実装しきったことです。新人エンジニアの皆さんにとっても、「要件を明確にしてAIに正確な指示を出し、システムの全体設計やトラブルシューティングの判断を自ら行う」という現代的な開発プロセスの強力な実践例として、非常に学びの多いエピソードとなっています。（385文字）引用元: https://togetter.com/li/2728033 お便り投稿フォーム VOICEVOX:春日部つむぎ

Ask this episode

“What did the council decide on item 42?” — answered with the speaker and the moment.

Transcript

Related