今日やったこと#
AIモデル比較基盤を実演可能な形へ拡張#
- 日本語対話、連鎖パズル、立体パズル、制御シミュレーションの各課題について、指示文、公開テスト、独立評価、実行記録の扱いを見直した。
- 候補の実行環境を一時的な認証領域へ分離し、評価基盤や外部の追加指示が候補へ漏れた場合は比較不能として記録するようにした。
- 連鎖パズルは完成盤面を渡す方式から、空の盤面から合法手順で組み立てる方式へ変更した。制御課題の一つはロボットアームの仕分けへ差し替え、運動学、速度制限、衝突、把持を検査対象にした。
- モデル別ページで各課題の最新実行を表示し、検証済みの候補作品をブラウザ上で再演できるようにした。スマートフォンで実演領域が隠れる問題と、更新後のスタイルが残るキャッシュ問題も修正した。
- 小規模モデルによる一連のデバッグ実行を公開した。結果は実演と基盤確認のためのもので、正式比較にはまだ昇格していない。
文章スタイルモデルを実例と負例から校正#
- 過去の長文と短文を材料に、話題の選び方、判断の進め方、文のリズム、代筆時に創作してはいけない事実の境界を整理した。
- 最初の生成例は、見出しや段落が均等で、機能を順番に巡回し、最後に再要約する構成になった。語彙より構成が整いすぎていることを負例としてモデルへ反映した。
- 網羅性を既定にせず、一つの問いに必要な事実だけを残す方針へ変更した。比較や留保を帳尻合わせで足さず、冒頭の主張を末尾で言い換えるだけの結論も避けるようにした。
- 生成と校正を別の工程に分け、別コンテキストの編集で事実を増やさず削る内部テストを行った。機能カタログ化を抑える効果は確認できたが、本人承認はまだ得ていない。
判断と学び#
比較サイトでは、候補作品が動いて見えることと、正式な比較条件を満たすことを分けて示す必要がある。実演は理解を助けるが、隔離、計測、未知入力での検査が不足した実行を正式結果として扱う根拠にはならない。
評価課題は完成状態だけを検査すると、その状態を直接埋め込む実装を通してしまう。初期状態から合法な操作で到達させ、途中の状態遷移も独立に確認する方が、実装したロジックを比較しやすい。
文章の個性は、語尾や口癖だけでは再現できない。何を捨て、どこに長く留まり、どこで未完のまま止めるかという構成上の偏りが重要だった。網羅性や均整を自動的に足す親切さは、文体を平均的な説明文へ戻してしまう。
検証#
- 対象日の比較基盤に関する8件の変更すべてで、公開サイトのビルドと配信処理が成功した。
- 実演用の各課題は、実行記録、評価結果、候補作品を対応付けて表示できることを確認した。
- 連鎖パズルでは、合法な配置手順から所定の連鎖と全消しへ到達する検査を追加した。
- 文章スタイルモデルは、却下された生成例を負例として反映し、生成担当と編集担当を分けた内部テストで不要な機能巡回を削れることを確認した。
- 正式なモデル比較と、文章スタイルモデルの本人確認は未完了である。
次にやること#
- デバッグ実行と正式実行の境界を保ったまま、隔離と計測の条件を満たす比較を行う。
- 新しい課題の未知入力検査と視覚評価を増やし、見た目だけで成功判定を作れないことを継続して確認する。
- 文章スタイルモデルを技術メモと短文返信でも試し、本人の修正を取り込んで校正を続ける。