DevPick

Jevをローカルモデルに蒸留するプロジェクトJevstillerが公開され、不一致境界の付与とベンチマークによる検証が特徴とされている

• •2026年9月に公開されたプロジェクトで、Jevをローカルモデルに蒸留する手法を採用している
• •モデル間の不一致境界（disagreement bound）を計算・付与する機能を持つ
• •ベンチマークスクリプトを実行することで、APIキーなしに数値の再現性を確認できる

PostHogが公開したJeevesは、推論プロセスを通じてJev型の意思決定モデルの性能を向上させることを目的としたプロジェクトである

• •JeevesはPostHogによって公開され、推論（Reasoning）がJev型の意思決定モデルに与える影響や改善点を扱っている
• •プロジェクト名は「Jeeves – Reasoning improves Jev-like decision models」と題されており、意思決定モデルの最適化が主題である
• •具体的な技術的詳細やベンチマーク結果は、提供された説明テキストには含まれていない

RNN、CNN、Transformer、およびキャリブレーションに関する視覚的なガイドと、精度と効率における実体験験について解説する

• •RNN、CNN、Transformer、キャリブレーションの視覚的なガイドを提供する
• •精度と効率に関するハンズオン実験が含まれている
• •テキスト分類における言語モデルの進化を解説する

ローカル実行可能なサイバーOSINT向けMoEモデルが公開され、サイバー脅威インテリジェンスや調査業務に特化したSFTが施されている

• •総パラメータ26B、アクティブ4B、コンテキスト長262KのMoEアーキテクチャを採用し、6,500件のOSINT/CTI指示データで学習されている
• •サイバー脅威インテリジェンスや調査業務向けにSFT（Supervised Fine-Tuning）が適用され、脅威アクターの帰属分析やIoC（侵害指標）のピボット、地理特定に対応する
• •アドミラルティソースグレーディング（情報源の信頼性評価）にも対応しており、ローカル環境での実行が可能である

RSI（Recursive Self-Improvement）を前提とした、信頼性・永続性・自己進化を備えたマルチエージェントエコシステムRavenが公開された

• •Ravenは全領域での協業を目的とした、信頼性と永続性を備えた自己進化型マルチエージェントエコシステムとして設計されている
• •プロジェクトは「ハーネスのハーネス」として位置づけられ、RSI（再帰的自己改善）を念頭に置いたアーキテクチャを採用している
• •EverMind-AI/Ravenというリポジトリ名で公開されており、Show HNを通じてコミュニティに紹介された

検閲なしのAIモデルやサイバーセキュリティタスク向けにファインチューニングされたモデルの性能を比較するベンチマーク結果

• •検閲なし（Uncensored）のAIモデルを対象にベンチマークを実施している
• •サイバーセキュリティタスクに特化してファインチューニングされたモデルも評価対象に含まれる
• •JoasASantosが提供するOffensive-Security-AI-Modelsリポジトリに関連する

OpenAIの上級幹部がWall Street Journalに対し、問題のモデルが命令に従う能力が低かったため安全性上の懸念から破棄したと語った

• •OpenAIの上級幹部がWall Street Journalの取材に対し、特定モデルの破棄について言及した
• •破棄の理由は、当該モデルが命令に従う能力（aptitude）が低く安全性上の懸念が生じたためとされている

単一のHTMLページでパックマンゲームを作成するよう指示し、フォローアップなしの1回限りの生成能力を評価するベンチマークツール

• •「単一のHTMLページでパックマンゲームを作成せよ」というプロンプトで各モデルの能力をテストする
• •フォローアッププロンプトや修正は一切行わず、1回限りの生成（one-shot）に限定して評価する
• •Hacker News上で59ポイントと38件のコメントを獲得した

7ノードのESP32-S3クラスタを用い、SPIデイジーチェーン経由で1.58ビットのBitNet量子化による0.4B LLMを実行するプロジェクト

• •7ノードのESP32-S3クラスタを構成し、SPIデイジーチェーンを介してLLMを実行する技術が公開された
• •使用されている言語モデルは0.4Bパラメータ規模で、1.58ビット（BitNet）の三値量子化技術が適用されている

ゼロショット分類のためにQwen3.5とGemma 4をファインチューニングした、0.8Bパラメータの軽量な決定モデルJeffについて紹介する記事である

• •JeffはQwen3.5とGemma 4のファインチューニングモデルである
• •パラメータ数は0.8Bであり、自宅環境での訓練が可能である
• •推論時間は約30msで、ゼロショット分類を目的としている