LLM チュートリアル

強力な意思決定モデルをローカルで動かし、vLLMエコシステムを探索し、テキスト・画像・動画を使った実用的な3つのプロジェクトを構築します。

Meta Muse WonderとOlostepのWeb APIを使って医療に関する主張を検証し、推論を説明し、証拠の出所を示します。

ディシジョン・モデルは、テキスト生成ではなく固定の解答候補を採点します。仕組み、Jevの位置づけ、独立テストの所見を解説します。

Pythonで進める実践的なRAG評価チュートリアル。評価データセットの作成、Ragasの4つの中核メトリクスによる採点、CIへの品質ゲート組み込み、合成テスト質問の生成、コミット間のスコア追跡により、検索失敗と生成失敗をユーザーが気づく前に見分けられるようにします。

OpenAI Agents APIのComputer Useチュートリアルに沿って、ホスト型ブラウザでチェックアウトをテストし、同一セッションで修正を再テストするPython製QAエージェントを構築します。

GPU の VRAM、システム RAM、SGLang、KTransformers を組み合わせ、CPU と GPU の異種推論で巨大な MoE モデルをローカル実行します。

GPT-6.1 Sol、OpenAI Agents API、ホスト型サンドボックスで、インシデントを調査し、チェックを実行し、構造化レポートを生成するAIインシデント対応エージェントを構築します。

ノードが仕事をし、エッジが次を決め、共有状態が情報を運ぶ。本チュートリアルは、マルチエージェント・グラフが単一ループを本当に上回る場面を示し、LangGraphで研究・執筆・レビューのパイプラインを条件付きリトライエッジ付きで構築する手順を解説します。

Muse Code と Meta Model API で Muse Spark 1.3 をセットアップし、contributor と standard のティアを選び、Meta の効率性主張を検証します。

PythonでGemini 3.8 Flash APIを使う方法：Interactions APIのセットアップ、thinking_levelの調整、PDFからJSONへの抽出、コードによる関数呼び出し。

OpenAI API経由でGPT-6 Astraを用い、非同期ツール、推論制御、構造化出力、コスト追跡を備えたPython製リリースチェックエージェントを構築し、コンピュータ利用とステアリングを検証します。

Anthropicの最新フラッグシップモデルを使い、変更計画前にFlaskリポジトリを読むPythonエージェントを構築します。進捗更新、読み取り専用ファイルツール、コスト管理も追加。