コンテンツにスキップ

Lions Data's Blog

Lions Data, LLC.

  • in ai, openai, gpt, llm
  • このページは約10分で読めます

GPT-4.1：開発者向け新時代の大規模言語モデル

はじめに

2025年4月14日、OpenAIは開発者向けに特化した新しい大規模言語モデル（LLM）群を発表しました。GPT-4.1、GPT-4.1 mini、GPT-4.1 nano の3つのモデルがAPI経由で利用可能になり、開発者のユースケース、特にコーディング、指示追従、関数呼び出しの領域で、既存のGPT-4oモデルを大幅に上回る性能を実現しています。

注目すべき特徴として、これら3モデル全てが最大100万トークンという広大なコンテキストウィンドウをサポートし、改善された長文脈理解能力によって、そのコンテキストをより効果的に活用できるようになりました。

このブログでは、GPT-4.1モデルファミリーの技術的特徴、性能改善、そして開発者がこれらのモデルをどのように活用できるかについて詳しく見ていきましょう。

GPT-4.1モデルファミリーの概要

OpenAIは異なるユースケースとリソース要件に対応するため、3つの異なるモデルを提供しています：

モデル名 特徴・用途 入出力 コンテキスト長 最大出力トークン数 知識カットオフ 価格（100万トークンあたり） 備考
GPT-4.1 最も高性能。複雑なタスク向け 入力:テキスト・画像
出力:テキスト		 1,047,576トークン 32,768トークン 2024年5〜6月 入力:$2.00
出力:$8.00		 –
GPT-4.1 mini 知能・速度・コストのバランスが良好
「小型モデルの性能における大きな飛躍」
一部ベンチマークでGPT-4oを超える(確認が必要)		 入力:テキスト・画像
出力:テキスト		 1,047,576トークン 32,768トークン 2024年5〜6月 入力:$0.40
出力:$1.60		 レイテンシ約半分、コスト大幅削減
GPT-4.1 nano 最速・最安モデル
軽量タスクや応答性の高いエージェントに最適		 入力:テキスト・画像
出力:テキスト		 1,047,576トークン 32,768トークン 2024年5月31日 入力:$0.10
出力:$0.40		 分類、補完、高頻度利用に最適

これらのモデルの特筆すべき点は、最も安価なnanoモデルを含む全モデルが100万トークンという広大なコンテキストウィンドウをサポートしていることです。これにより、従来プレミアム機能だった大規模コンテキスト処理が、より幅広いアプリケーションで利用可能になります。

Python開発: Playwrightによる効率的なWebテスト

はじめに：Webテスト自動化におけるPlaywrightの優位性

Webアプリケーション開発において、ブラウザ自動化はテスト効率化の要となります。特に動的UIを多用する現代のWebアプリケーションでは、従来のツールでは安定性に課題がありました。この記事では、Microsoftが開発したオープンソースフレームワーク「Playwright」を活用したPythonでのブラウザ操作自動化について詳しく解説します。

Playwrightは、Chromium、WebKit、Firefoxの主要レンダリングエンジンをサポートし、Windows、Linux、macOSでのクロスプラットフォーム動作を実現します。TypeScript、JavaScript、Python、.NET、Javaといった複数のプログラミング言語に対応し、モバイルWebのテストもネイティブエミュレーションを通じてサポートされています。

従来のSeleniumなどのツールと比較して、Playwrightは自動待機（Auto-wait）機能や信頼性の高いLocator APIを提供し、テストの不安定さを大幅に削減します。これにより、開発者は明示的な待機処理を記述する必要性が減り、より効率的なテスト開発が可能になります。

本記事では、Playwrightの基本から応用まで、具体的なサンプルコードを交えながら詳細に解説します。

魅力的なインフォグラフィックを作る方法

情報過多の時代に、複数の資料から重要な情報を抽出し、一目で理解できる形に整理することは、とても価値のあるスキルです。本記事では、関連する複数の資料からインフォグラフィックを作成するための実践的な7つのステップをご紹介します。

なぜインフォグラフィックが重要なのか？

現代社会では、特定のトピックについて複数のソースから情報を統合し理解することは、大きな課題となっています。日々大量の情報が流れ込む中で、関連情報を読み比べ全体像を把握するには相当な時間と労力が必要です。

インフォグラフィックはこの課題に対する効果的な解決策です。複雑な資料を視覚的に整理し、迅速かつ効果的に伝達できる強力なツールなのです。実際、質の高いインフォグラフィックはテキストのみの情報と比較して30倍も読まれやすいというデータもあります。

それでは、複数の資料から効果的なインフォグラフィックを作成する方法を見ていきましょう。

Claudeの「Think」ツール：AIの思考力を強化する革新的アプローチ

はじめに：AIが「考える」ということ

近年、ClaudeのようなAIアシスタントは驚くべき能力を示していますが、複雑な問題に直面すると、まだ課題があります。特に複数のツールを連携させたり、段階的な計画を立てたりする場合、AIは人間のように「立ち止まって考える」ことが苦手でした。

Anthropic社が開発した「Think」ツールは、この問題に対する革新的な解決策です。このブログでは、AIが「考える」ための新しいアプローチについて探ってみましょう。

AIが直面していた課題：なぜ「考える」ことが難しかったのか

従来のAIモデルは、以下のような課題に直面していました：

  • 複雑な指示の誤解釈 - 「データを取得した後に分析して」という指示でも、順序を間違えることがありました
  • 不適切なツール選択 - 必要な前提条件を考慮せずに、急いでツールを呼び出してエラーを引き起こす
  • 複数ステップの計画が困難 - あるツールの出力を次のツールの入力にするような連携が苦手
  • エラーの連鎖 - 初期のミスがプロセス全体を頓挫させてしまう

つまり、AIは「計画立案と状態管理」が苦手だったのです。人間なら当たり前に行う「ちょっと立ち止まって考える」というステップがなかったのです。

  • in ai, openai, gpt, llm
  • このページは約10分で読めます

GPT-4.5徹底解説：OpenAIの最新会話型AIの実力と未来

1. 序論：GPT-4.5の登場 - OpenAIの新たな会話型AIの幕開け

1.1 発表：GPT-4.5の登場

2025年2月27日から28日にかけて、OpenAIは最新の大規模言語モデル（LLM）「GPT-4.5」を発表しました。このモデルは当初「リサーチプレビュー」として公開され、その能力と限界を探る段階に位置づけられています。OpenAIはGPT-4.5を「これまでで最大かつ最も知識豊富なチャット向けモデル」と位置づけ、特にその会話能力の高さを強調しています。

1.2 GPT-4.5の定義：期待の先にあるもの

OpenAIの公式な定義によれば、GPT-4.5は事前学習と事後学習のスケーリングを進化させたモデルです。特に、教師なし学習(Unsupervised Learning) を大規模にスケールアップさせることで、明示的な段階的推論を経ずに、パターン認識能力、関連性を見出す能力、そして創造的な洞察を生み出す能力を向上させています。

主な目標： - より広範な知識ベースの提供 - ユーザーの意図のより深い理解 - 向上した「EQ（心の知能指数）」 - ハルシネーション（誤った情報の生成）の低減 - より自然な対話の実現

1.3 戦略的位置づけ：GPT-4.5はどこへ向かうのか

GPT-4.5は、先行モデルであるGPT-4oの基盤の上に構築されていますが、そのアプローチは異なります。特に、その高額なコスト設定を考慮すると、GPT-4oの直接的な代替となることは意図されていません。

さらに、GPT-4.5はOpenAIの「oシリーズ」（o1, o3-miniなど）とも区別されます。oシリーズがSTEM（科学・技術・工学・数学）分野や複雑な段階的推論（Chain-of-Thought）に最適化されているのに対し、GPT-4.5はより汎用的で、会話や感情的知性（EQ）に重点を置いたモデルとして位置づけられています。開発コードネーム「Orion」としても知られています。

この明確な差別化は、OpenAIが単一の「最高の」モデルを目指すのではなく、異なるAIパラダイムを探求し、特定の能力や市場セグメントをターゲットにした戦略的多様化を進めている可能性を示唆しています。

DeepSeek-R1 調査 (1)

DeepSeek Technology とは

DeepSeek は、中国のヘッジファンド High-Flyer が所有・出資する、オープンソースの LLM を開発する中国の人工知能企業です。2023年7月に High-Flyer の共同創業者である Liang Wenfeng によって設立されました。DeepSeek-R1 モデルは、OpenAI の GPT-4o や o1 などの他の現代の LLM に匹敵する応答を提供します。そのトレーニングコストは、他の LLM よりも大幅に低いと報告されています。

同社は、OpenAI の GPT-4 のトレーニングコストが 2023 年時点で 1億ドルであったのに対し、R1 のトレーニングコストは 600万ドルであったと主張しており、これは Meta の同等のモデルである LLaMA 3.1 で使用された計算能力の約1/10に相当します。より大規模で確立された競合他社に対する DeepSeek の成功は、「AI を覆す」ものとして評価されています。

DeepSeek のモデルは「オープンウェイト」であり、真のオープンソースソフトウェアよりも変更の自由度が低いという特徴があります。(オープンウェイト: AIモデルの学習済みパラメータ(ウェイト) が公開されていること)

DeepSeek-R1 とは

DeepSeek-R1 は、DeepSeek が開発した推論能力に特化した LLM です。OpenAI の o1 モデルに匹敵する性能を有しながら、より低いコストで運用できることが大きな特徴です。DeepSeek-R1 は、DeepSeek-V3 をベースに、強化学習 (RL) を用いた独自のトレーニング手法を採用することで、高度な推論能力を獲得しています。また、Mixture of Experts (MoE) アーキテクチャを採用することで、計算効率を向上させ、大規模なモデルでありながら、必要なパラメータのみを活性化することで、リソースの効率的な利用を実現しています。

DeepSeek-R1 論文まとめ

DeepSeek-R1とは

DeepSeek-R1は、大規模な強化学習を用いてLLMの推論能力を向上させるために開発されたモデルです。事前学習済みのモデルをベースモデルとして使用し、強化学習によって推論能力を向上させています。DeepSeek-R1には、DeepSeek-R1-ZeroとDeepSeek-R1という2つのモデルがあります。

  • DeepSeek-R1-Zero:
    • ベースモデルに直接強化学習を適用することで、教師ありファインチューニングなしで優れた推論能力を発揮するモデルです。
    • LLMの推論能力開発における新しいパラダイムを示唆する重要な発見です。
  • DeepSeek-R1:
    • DeepSeek-R1-Zeroで見られた可読性の低さや言語の混合といった問題に対処するため、強化学習の前に、少量の「コールドスタートデータ」を用いて事前学習を行います。このマルチステージトレーニングにより、DeepSeek-R1は推論性能をさらに向上させています。
    • DeepSeek-R1は、数学やコーディングなどの推論タスクにおいて、高い精度を達成しています。
  • in ai, ai-agent, llm
  • このページは約10分で読めます

効果的なAIエージェント構築方法とは

はじめに

  • 近年、AI技術は急速に発展しており、特に大規模言語モデル（LLM）は、人間のように自然な文章を生成し、質問に答えたり、翻訳を行ったりと、様々なタスクをこなすことができます。
  • Anthropic社が公開したAIエージェントに関する情報を整理し、その概要、従来のAIモデルとの違い、社会への影響についてまとめます。

AIエージェントとは

  • Anthropic社は、「AIエージェント」を、長期間にわたって独立して動作し、様々なツールを使用して複雑なタスクを達成する自律的なシステムと定義しています。AIエージェントは、事前に定義されたワークフローに従うものとは区別されます。ワークフローとは、LLMとツールが事前に定義されたコードパスを通じて調整されるシステムです。一方、エージェントは、LLMが独自のプロセスとツールの使用を動的に指示し、タスクの達成方法を制御するシステムです。
  • AIエージェントを使用するかどうかは、タスクの複雑さや必要な柔軟性によって判断する必要があります。LLMを使用したアプリケーションを構築する際には、可能な限りシンプルなソリューションを見つけ、必要に応じてのみ複雑さを増すことが推奨されます。これは、Agentシステムをまったく構築しないことを意味する場合もあります。Agentシステムは、レイテンシとコストを取引してタスクパフォーマンスを向上させることが多く、このトレードオフが意味があるときに検討する必要があります。より複雑なことが正当化される場合、ワークフローは定義済みのタスクに対して予測可能性と一貫性を提供し、エージェントは柔軟性とモデル駆動型の意思決定が求められる場合に最適なオプションです。ただし、多くのアプリケーションでは、検索と文脈内の例を使用して単一のLLM呼び出しを最適化することで十分です。
  • 従来のAIモデルは、人間が具体的な指示を与えることでタスクを実行していました。一方、AIエージェントは設定された目標を達成するために、必要なことを自律的に考え、タスクの実行や結果の評価までこなします。タスクが明確になると、エージェントは独立して計画と運用を行い、場合によってはさらなる情報や判断のために人に問い合わせます。実行中、エージェントは各ステップで「情報」（ツール呼び出しの結果やコード実行結果など）を取得して、進行状況を評価することが重要です。エージェントは、チェックポイントで、またはブロッカーが発生したときに、ヒューマンフィードバックのために一時停止することができます。タスクは完了すると多くの場合終了しますが、制御を維持するために停止条件（最大反復回数など）を含めることも一般的です。
  • AIエージェントは複雑なタスクを処理できますが、その実装は多くの場合、既存のツールや技術を組み合わせることで比較的容易に行えます。例えば、顧客サポート業務を自動化するAIエージェントの場合、自然言語処理、会話管理、知識ベース検索などの技術を組み合わせることで実現できます。
  • AIエージェントは自律的に動作するため、信頼できる環境でタスクをスケーリングするのに理想的です。例えば、大量のデータを分析する必要がある場合、AIエージェントは人間が介入することなく、自動的にデータを処理し、分析結果を報告することができます。ただし、AIエージェントの自律的な性質は、より高いコストと、エラーが複合する可能性を意味します。例えば、AIエージェントが誤った判断を下した場合、その影響は広範囲に及ぶ可能性がありますし、AIエージェントの開発・運用には、高度な技術と専門知識が必要となるため、コストが高くなる傾向があります。

Multi-tenant アーキテクチャー 実現方法 (2)

マルチテナント方式の概要

マルチテナント方式とは、単一のソフトウェアインスタンスとそれをサポートするインフラストラクチャを使用して、複数の顧客 (テナント) にサービスを提供するソフトウェアアーキテクチャです。この方式では、各テナントのデータは分離され、他のテナントからアクセスできないようになっています。

  1. 各テナントは、あたかも自分たち専用のソフトウェアインスタンスを使用しているかのようにサービスを利用できますが、実際にはリソースを共有することでコスト削減や効率的な運用を実現しています。
  2. マルチテナント方式を採用する主なメリットは、リソースの効率的な利用とコスト削減です。 単一のインフラストラクチャを共有することで、ハードウェア、ソフトウェア、および運用コストを削減できます。また、メンテナンスやアップグレードも一元的に行うことができるため、管理の負担を軽減できます。
  3. さらに、マルチテナント方式では、テナントごとに個別のシステムを構築・運用する必要がないため、迅速なサービス提供が可能になります。 マルチテナントアプリケーションでは、「組織」はユーザーやリソースをグループ化する方法として有効です。
  4. 組織は、異なるクライアントやグループがアプリケーションを使用する際に、それぞれに独自のユーザー、データ、および設定を持つ別々のセクションのように機能します。これにより、特定のサービスと管理を提供しやすくなります。 ただし、マルチテナント方式では、テナント間のデータ分離、パフォーマンスの安定性、リソース管理など、いくつかの課題も存在します。
  5. これらの課題に対処するためには、適切なアーキテクチャ設計、セキュリティ対策、および運用管理が必要となります。

Multi-tenant アーキテクチャー 実現方法 (1)

マルチテナント方式で「文書管理+検索サービス」を構築する際に、Aurora(RDB)とOpenSearchを用いてメタデータおよび検索インデックスを管理するための実現方法をまとめたものです。この内容を参考に、要件やシステム特性に応じて、必要に応じた方法を選択・組み合わせる必要があります。

前提

  • サービス概要
    • ユーザ企業(エンドユーザ)がアップロードした文書のメタデータをAuroraで管理し、検索に必要なインデックス情報をOpenSearchで管理する。
    • 企業(テナント)単位で文書へのアクセスや検索が行われる。
  • マルチテナント要件
    • テナント（企業）ごとにデータを安全に隔離する必要がある。
    • テナント数増加に対してスケーラブルに対応できるアーキテクチャが求められる。
    • コスト管理や運用負荷にも配慮が必要。