画面録画をそのまま「AIエージェントの能力」に変換してしまう。SkillForgeが提示したこのコンセプトは、これまで自動化を諦めていたすべてのエンジニアやバックオフィス担当者にとって、福音になるかもしれません。
画面上の操作をキャプチャし、それをAIが実行可能な「スキル」として定義し直すというアプローチは、旧来のRPA（Robotic Process Automation）が抱えていた「壊れやすさ」と「構築の難しさ」を、LLMの推論能力で一気に解決しようとしています。 ...
マルチモーダルLLM
Googleが放った最新の「Gemini 3.1 Pro」が、AI界に激震を走らせています。これまでのベンチマーク記録を塗り替え、再び首位に躍り出たというニュースは、単なる数値の更新以上の意味を持っています。
3行要約 Googleが最新LLM「Gemini 3.1 Pro」を発表し、主要なベンチマークで過去最高スコアを記録。 複雑な推論を必要とするエージェント的タスクにおいて、前世代を圧倒するパフォーマンスを実現。 膨大なコンテキストウィンドウを維持しつつ、推論速度と精度のバランスを極限まで高めた。 何が発表されたのか Googleが今回発表したのは、Geminiシリーズの最新進化系である「Gemini 3.1 Pro」です。これまでAI業界では、OpenAIのGPTシリーズやAnthropicのClaudeシリーズがベンチマークの首位を激しく争ってきましたが、今回の発表でGoogleが再びその頂点を奪還した形になります。 ...
StepFun AIのAPIを使い倒す！マルチモーダルと長文コンテキストを実装する方法
この記事で学べること StepFun AI（階躍星辰）のAPIをプロジェクトに導入する最短手順 強力な画像認識モデル「Step-1V」をPythonで制御する実装コード 最大25万トークンの長文コンテキストを効率的に扱うための設定 実務でハマりやすい「画像エンコード」と「API互換性」の解決策 前提条件 Python 3.9以上がインストールされた環境 StepFun AIのAPIキー（公式サイトから取得可能） 基本的なOpenAI SDKの利用知識（互換性があるため） なぜこの知識が重要なのか AI開発の現場では、今「マルチモーダル（画像＋テキスト）」と「超長文コンテキスト」の2軸が勝負所になっています。私がSIerでエンジニアをしていた頃は、大量の仕様書を読み込ませるだけで一苦労でしたが、今のAI、特に今回紹介するStepFunのモデルはこの両面で圧倒的な性能を誇ります。 ...