You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? Effective Javaは「一人前」のJavaエンジニアになるために避けては通れない書籍だと思います。特にアプリケーション基盤のコードや公開APIを作るような立場にいるエンジニアは、この書籍に書かれてあることを把握していないと、まともなものを作れません。 素晴らしい書籍だということは言うまでもありませんが、一方で「要するにこういうことだよね」という理解をしづらい書籍であるとも感じます。 その原因は、おそらく以下のとおりでしょう。 表現が回りくどいです。 全部で９０の項目がありますが、項目内の構造が分かりづらいです。 コード例が必要以
ご存知の通り、オブジェクト指向の三大要素であるはずの継承においてはたくさんの問題点が報告されている（こことか、こことか）。確かに継承よりもコンポジション（委譲、合成）のほうが優れている点が多い。下記はその一例だ。 いま、Windows.FormsのButtonクラスに機能を足して押された回数をカウントして表示するボタンを作りたいのでButtonクラスを継承して新しいクラスを作るとする。 class CountingButton : Button { private int count = 0; protected override void InitLayout() { base.InitLayout(); this.Text = this.count.ToString(); } protected override void OnClick(EventArgs e) { base.OnC
PCメーカーのFrameworkは、自分好みのパーツを選べるモジュラー式ノートPCを展開しています。新たに、13インチノートPC「Framework Laptop 13」のプロセッサとしてAMDのRyzen AI 300シリーズを選べるようになりました。また、Framework初のデスクトップPC「Framework Desktop」や12.2インチのタッチ対応ディスプレイを搭載したノートPC「Framework Laptop 12」も発表されています。 Framework | Introducing the Framework Laptop 13 powered by AMD Ryzen https://frame.work/blog/introducing-the-framework-laptop-13-powered-by-amd-ryzen-ai-300-series Framew
ここでは、開発コード名「Straix Halo」の「Ryzen AI Max+ 395」の各種ベンチマークスコアを掲載します。 結果は、驚くほど高いスコアが出ていました。特にグラフィックス性能が非常に高く、独立GPUを搭載していなくても、モンハンワイルズのゲームができる性能です。 プロセッサーの仕様 今回テストするRyzen AI Max+ 395は、Ryzen AI Max 300シリーズ「Strix Halo」の1つで、CPUはZen5世代、GPUはRDNA 3.5世代、NPUはXDNA 2世代のアーキテクチャが採用されているプロセッサーです。また、256GB/sのメモリ帯域幅を実現したユニファイドメモリを採用している点も特徴です。 昨年登場したRyzen AI HX 300シリーズ「Straix Point」と比較すると、「Strix Halo」のほうがデフォルトTDPが高く、GPU
/^[a-zA-Z0-9.!#$%&'*+\/=?^_`{|}~-]+@[a-zA-Z0-9](?:[a-zA-Z0-9-]{0,61}[a-zA-Z0-9])?(?:\.[a-zA-Z0-9](?:[a-zA-Z0-9-]{0,61}[a-zA-Z0-9])?)*$/ だ。いいね？ なぜこの正規表現がいいのか ちなみにこれの何がいいかというと 「HTMLの標準仕様を定めるWHATWGの正規表現をそのまま使っている」ところ。 つまり、各ブラウザのデフォルトの<input type="email" />のバリデーションと一致するという大きなメリットを得られる。 これはMDNにも載っている列記とした「実用的な」正規表現だ。 ちなみにRFCオタクがRFC準拠のおおよそ実用に耐えないであろうメールアドレスの正規表現を推してくるかもしれないが無視して良い。 例えば、RFCに準拠している以下のようなメ
全ポート10ギガビット対応のエントリーアンマネージドスイッチがQNAPから 2025.02.25 18:49 更新 2025.02.20 配信 独自通気構造によるファンレス動作に対応 QNAP System（本社：台湾）は2025年2月20日（現地時間）、10ギガビット対応の5ポートアンマネージドスイッチ「QSW-3205-5T」を発表した。直販価格279ドルで、すでに販売が開始されている。 エントリーモデルながら5ポートすべてが10ギガビットに対応。また接続したデバイスに合わせた最適な転送速度に自動的に調整するプラグアンドプレイや、ネットワークのループ検出・ブロック機能、最大12Kのジャンボフレームに対応し、安定かつ高速なネットワークを簡単に構築できる。 さらに基板上に実装されたヒートシンクと効率よく熱を外部に放出できる独自通気構造により、ファンレス動作に対応。デスクの上に設置した場合で
関連記事 Perplexity、GoogleとOpenAIに続き「Deep Research」提供開始 無料版でも利用可能 Perplexityは、調査分析を自律的に行うリサーチアシスタント「Deep Research」を発表した。無料版でも1日5回まで利用可能だ。同様の機能はGoogleとOpenAIも提供しているが、今のところいずれも有料プランでのみ利用可能だ。 DeNA南場会長は、生成AIツールをこう使う「Perplexity」「NotebookLM」「o1」など活用 自身も生成AIツールを活用し、仕事を効率化しているというDeNAの南場智子代表取締役会長。具体的な使い方は。 Google検索も不要に？ 検索AI「Perplexity」がスゴすぎてちょっと怖い “AI検索”サービス「Perplexity」（パープレキシティ）がスゴい。ChatGPTより正確だし、Google検索より便
長年にわたり、ペンテストやRed Teamの案件において、Active Directory環境でよく見られる脆弱性とその対策をまとめた資料です。
ロボット企業のFigureが、ヒューマノイド(人型ロボット)の制御・知覚・言語理解を統合した汎用(はんよう)型のVision-Language-Action(VLA)モデル「Helix」を発表しました。Helixはわずか500時間の学習データでロボットの上半身全体を精密に制御できる点が特徴的で、家庭用ロボットの実用化に向けた重要な進展として注目されています。 Helix: A Vision-Language-Action Model for Generalist Humanoid Control https://www.figure.ai/news/helix 実際にHelixで2体のヒューマノイドが動作するところが以下のムービー。人間が買い物を渡して食料品を冷蔵庫やカゴに収納するように指示し、ロボットがその通りに作業を行います。 人型ロボットを家庭で動かすのに特化したAI言語モデル「He
We introduce the Byte Latent Transformer architecture (BLTs), a new byte-level LLM architecture that for the first time, matches tokenization-based LLM performance at scale, with significant improvements in inference efficiency and robustness. BLT encodes bytes into dynamically sized patches, which serve as the primary units of computation. Patches are segmented dynamically based on the entropy of
カテゴリ：テクノロジー・LLM・AI 読む時間：約５分 以下の論文が気になったので、簡単にまとめてみました 誤りがあるようならご指摘ください 概要Byte Latent Transformer（BLT）は、トークン化を必要としない新しい大規模言語モデル（LLM）アーキテクチャです。BLTは、動的にサイズを変えるパッチを用いてバイトをエンコードし、計算効率とロバスト性を向上させています。これにより、従来のトークンベースのモデルと同等の性能を発揮しつつ、推論時の計算コストを削減することが可能となりました。 内容の要約1. Byte Latent TransformerとはBLTは、固定された語彙を持たないトークン化の代わりに、バイトを動的にサイズ変更可能なパッチにエンコードすることで、直接バイトレベルで学習を行うLLMアーキテクチャです。これにより、トークン化に伴うドメインやモダリティの感度、
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
