OkayStudy
JA English 한국어 日本語 中文 हिन्दी বাংলা اردو Español Português Français Deutsch Русский العربية Bahasa Indonesia Tiếng Việt ไทย Türkçe

通知を有効にする方法

このブラウザーまたはアドレスでは通知を利用できません。対応ブラウザーで安全な接続のBaeumNovaサイトを開いてください。

通知がブロックされている場合は、ブラウザーの設定で許可してください。

  1. アドレスバー横のサイト設定、またはブラウザーのサイト設定を開き、このサイトの通知を許可に変更してください。
  2. 端末の設定でブラウザーの通知を許可し、おやすみモードや集中モードを確認してください。
  3. BaeumNovaに戻ってページを再読み込みしてください。通知が有効になるとベルは表示されなくなります。

iPhoneやiPadではBaeumNovaをホーム画面に追加し、そこから開いて通知を許可してください。

ゲスト

ログインすると、あなたのレッスン予定を確認できます。

はじめよう

一歩ずつ始める英語レッスン

ステップを押すとその画面へ移動します。

無料体験

  1. 無料体験の講師を選ぶ

    写真に[無料体験]が付いた講師を押します。

  2. プレゼントの印がある時間を押す

    時間割でプレゼントの絵がある無料の時間を押します。

  3. ログインして予約する

    ログインするとすぐ予約されます。お支払いはありません。

  4. カメラ&マイクテスト

    授業の前にカメラとマイクを確認しましょう。

  5. 予約したレッスンを確認

    予約したレッスンの時刻と講師を確認します。

  6. レッスンに入室

    時間になったらビデオ教室に入ります。

  7. 過去のレッスンを確認

    終わったレッスンの記録を見返します。

  8. 講師を評価

    レッスンが終わったら講師を評価します。

自己紹介

  1. プロフィール写真を登録

    写真があると講師があなたを見分けやすくなります。

  2. 自己紹介を書く

    自己紹介掲示板にあいさつを書きましょう。

レッスンを受ける

  1. レッスンを予約

    気に入った講師の時間割から予約します。

  2. PayPalでレッスン料を支払う

    PayPalで支払います。PayPalが確認するとすぐにレッスンが予約されます。

  3. 予約したレッスンを確認

    予約したレッスンの時刻と講師を確認します。

  4. レッスンに入室

    時間になったらビデオ教室に入ります。

  5. 過去のレッスンを確認

    終わったレッスンの記録を見返します。

  6. 講師を評価

    レッスンが終わったら講師を評価します。

リクエストが通る道

ロボットの受付が質問カードを、たくさんある専門家の机のうち3つだけに送り、明かりのついたその3人だけが働いているオフィスの絵
ひと目でわかる全体の道のり

文章を学んだ AI があなたの画面に答えるまで

まず文章を集めてを作ります()。次に、できあがったモデルが次のを一つずつ計算して答えます()。上の道ではが変わり、下の道では重みはそのままで計算だけをします。

XSLM の実際の計算 数字は小さな学習用モデル XSLM を標準の設定で実際に動かした値です。「説明用の例」と書かれた棒だけは、手で決めた点数を使っています。

モデルを作る — 学習 重みが変わる

  1. データを集める
  2. 整理する
  3. トークンと数字に
  4. くり返し学習

学習のくり返し:予測 → 正解とくらべる → 損失を計算 → 重みを直す

モデルを使う — 推論 重みは固定

  1. 人が質問する
  2. 入力を数字に
  3. モデルが計算
  4. 次のトークンを選ぶ
  5. 文字にもどす
  6. 画面に表示

答えのくり返し:次のトークンを計算 → 一つ選ぶ → 入力の後ろにつける → また計算(終わりの印が出るか、長さの上限で止まる)

  • データ(文章)
  • トークン
  • 重み
  • 確率
  • 文
いろいろな文章が整理の機械を通り、きれいなデータの束になる絵

① 学ぶデータを用意する

ウェブページ・本・・会話の文章を集め、重なった文や質の低い文をと人がふるい落とします。一部はテスト用(検証データ)として取り分けます。

XSLM XSLM:15 行 → 重なりを取りのぞく → 学習用 12 行 · 検証用 3 行

くわしく学ぶ
文の帯がトークンのかけらに切られ、かけらごとに数字の列につながる絵

② 文章を数字に変える

文をトークンのかけらに切り、かけらごとに番号をつけ、その番号で数字の束()を取ってきます。

  1. Q:␣29
  2. s22
  3. u24
  4. n18
  5. ↵1
  6. A:␣30
  7. t23
  8. h13
  9. e11
  10. ␣2
  11. s22
  12. u24
  13. n␣31
  14. is␣35
  15. w25
  16. a7
  17. r21
  18. m.39
  19. ↵1

XSLM 語彙 40 個 · この文はかけら 19 個

くわしく学ぶ
ロボットがかくれたかけらを当て、ちがいを測って調整のつまみを回す絵

③ 予測しながら重みを学ぶ

次のかけらをかくして当ててみます。正解とのちがい(損失)を後ろへ送り、重みを少しずつ直します。

予測は前へ進む 直す合図は後ろへもどる

XSLM 同じ窓をもう一度計算すると 損失 3.7050 → 3.6684

くわしく学ぶ
設計図・重み・トークナイザー・設定が一つの箱に入り、サーバーに読みこまれる絵

④ 使うモデルを仕上げる

学習が終わると、初めて見る検証データで実力を測り、の設計・学習した重み・・設定を一つの束にして保存します。会話用の大きなモデルは、その前に追加の学習と評価を受けます。がこの束をに読みこみます。

XSLM XSLM:行列 9 個 · 重み 1,248 個 · 検証損失 3.7568 → 3.7298

くわしく学ぶ
質問のかけらがモデルを通って確率の棒になり、いちばん大きいかけらが後ろにつく絵

⑤ 次のトークンを計算する

質問を数字に変えてモデルに入れます。候補ごとに点数が出て、点数をに変え、かけらを一つ選びます。選んだかけらを後ろにつけて、また計算します。

説明用の例 — 単語ごと もっと長く学んだモデルなら the sun is …
  • warm63.2%
  • hot23.2%
  • blue10.4%
  • run3.1%

重みは固定 このとき重みは変わりません。

くわしく学ぶ
トークンが文字になってノートパソコンのチャット画面にあらわれ、後ろに全体の道が見える絵

⑥ 人が読める答えになる

選んだ番号を文字にもどし、がに送って、チャット画面に表示します。

the sun is warm.

XSLM のランナーは答えができあがってからまとめて送ります。多くのチャットボットは書きながら少しずつ流します。

くわしく学ぶ

自分でやってみる

同じ文 "⁨the sun is warm.⁩" をたどりながら、ボタンを押してトークン・埋め込み・重み・確率のちがいを見てみましょう。

トークン番号と埋め込み

かけらを押すと、その番号と数字の束(埋め込み)がいっしょに光ります。

トークン番号 — かけらを指す番号にすぎず、意味はありません
t 23

埋め込み — 学習で決まる 8 個の数字

学習の前
  1. 0.11
  2. -0.03
  3. 0.28
  4. -0.12
  5. 0.09
  6. -0.03
  7. 0.01
  8. 0.07
20 歩 学習した後
  1. 0.11
  2. -0.03
  3. 0.28
  4. -0.12
  5. 0.09
  6. -0.02
  7. 0.01
  8. 0.07

学習の一歩 重みが変わる

はじめのモデルがこの文の窓で、予測 → 損失を測る → 重みを直す を一歩ずつ行います。

  1. Q:␣
  2. s
  3. u
  4. n
  5. ↵
  6. A:␣
  7. ?
当てるかけら
t
正解のかけらの確率
3.2%
損失
3.7050
  1. 学習の前 · 損失 3.7050

答えの一歩 重みは固定

20 歩だけ学習した XSLM が、質問の後ろにかけらを一つずつ選びます。重みは固定です。

ここまでの答え Q:␣sun↵A:␣

  • Q:␣5.4%
  • .3.8%
  • A:␣i3.4%
  • A3.1%
  • t3.1%
  • ほかの候補すべて81.3%

選んだかけら —

確率は、その候補が次に来る見こみであって、答えが正しい見こみではありません。20 歩しか学んでいないので、まだおかしなかけらを選びます — の正解は "⁨the sun is warm.⁩" です。

全体像 — 五つの場所

  • 自分のコンピューター
  • 遠くにある機械
1

自分のコンピューターのプログラム

・・アプリ。リクエストを受け取り、何を送るかを決めます。

1 番と 5 番は同じ、自分のコンピューターです

三番の中 — 遠くの計算機械

一度きり
  1. 上の大きなファイルには、済みの数値との読み込みに必要な情報が入っています。
  2. がそれを読み、計算専用の部品の上に載せて、そのままにしておきます。
毎回
  1. 門番が鍵を確かめ、リクエストは順番を待ちます。
  2. すでに載っているその数字を相手に計算が走ります。

一段階ずつ

八つの段階です。八番目で道が二つに分かれます。

1

自分が送る

キーボードとマウスの信号はを通り、いま見ているに渡されます。マイクは違います。自分が許可したときだけ、プログラムが音を受け取ってで文字に変えます — あるいは、音をそのまま聞けるへ送ります。

道は一つではなく二つ

この二つを一本の道として描くところから、恐ろしい誤解が生まれます。二つは同じではありません。

8 ここで道が分かれる

会話だけ

  1. 画面に文字
  2. ここで終わり
詳しく見る

文字が画面を流れ、それで終わりです。自分のコンピューターには何も起こりません。このサイトのリエン学習アシスタントがこの道です。

手を借りる

  1. 道具の要求を見つける
  2. 許可を求める
  3. 実際にやる
  4. 結果を詰める

結果は 2 段階のかばんに入り、3 段階からまた出ていきます

詳しく見る

戻ってくるのは、やはり文字だけです。その文字が道具の要求 — 「このファイルを直して」 — なら、自分のコンピューターのがそれを確かめ、代わりに実行します。そして結果を 2 段階のかばんに詰め、3 段階からまた送り出して、会話が続きます。この往復こそ、人がと呼ぶものです。

よくできたプログラムは、ファイルを消したりコマンドを動かしたりする前にこちらに尋ねます — そして、その問いかけを切ると決めるのは人です。その問いかけこそが安全装置です。モデルへの丁寧なお願いではなく、プログラムが守らせているものです。

危険なコマンドを確認する習慣を身につける

あえてたとえるなら

モデルは計算だけをする部品で、体は自分のコンピューターのプログラム、あるいはそれを包むサービスです。計算する部品には手がありません — 自分でファイルを作ることも、アプリを開くこともできません。できるのは、文字でお願いすることだけです。実際に動くものはすべて、許された範囲の中でプログラムがやっています。

  • が体で、モデルはその計算部品です — 体はこの部品を取り替えられます。同じエディターに、明日は別の会社のモデルを付けられます。

  • 同じ計算部品が、互いに知らない大勢の人のリクエストを同時に処理します。生きているものならありえないことです。

あと二つだけ

計算機がいつも遠くにあるとは限りません

このサイトの学習ヘルパーは、私たちのサーバーを通ります

リクエストが通る三つの道
1 · 自分の 2 · 3 · 遠くの計算機 4 · 計算 5 · 自分の画面
自分のの中で はい いいえ いいえ はい はい
私たちのを経て はい はい はい はい はい
遠くの会社の機械で はい はい はい はい はい

真ん中の道(私たちのを通る道)でも、実際の計算は三つ目の道、遠くにある会社の機械で起きます。私たちのサーバーはリクエストを確かめて運ぶだけです。

詳しく見る

小さなモデルなら、自分のコンピューターの中でも動きます。このサイトの声がそうです。を一度ダウンロードすれば、文字を音声に変える処理は自分の機器の上で行われます。チャットは違います — そのメッセージは今も BaeumNova を通ってのサービスへ送られます。

リエン学習アシスタントを開いて何か聞いてみてください。が私たちのサーバーへ送り、サーバーが遠くの計算機に渡します。文字がかけらとなって戻ってくるのが 6 段階、その文字が画面で増えていくのが 7 段階です。リエンは会話だけの道にいるので、自分のコンピューターのファイルには手を触れません。

リエン学習アシスタントがそうです。私たちのサーバーは受け渡すだけで、モデルを動かしてはいません。

計算が実際に起きる場所です。その中でどのランタイムを使っているかは公開されていません。

大人のための注釈

もう少し正確な言い方が必要な方のために書き添えます。

トークン

モデルは単語を読みません。が文章をに切ります — 単語まるごとのことも、数文字のことも、1 のこともあります — そして一つ一つが数字になります。モデルが違えば同じ文の切り方も違うので、同じ文章でもトークンの数が変わることがあります。

ストリーミング

生成されるそばから部分出力を押し出し、ふつうは を使います。かけらの大きさは製品によって違い、トークン単位ではなく文単位で送るものもあります。

モデルの種類

(大きな言語モデル)、(小さな言語モデル)、(視覚言語モデル)、そして画像・動画を作るがあります。LLMとSLMの違いは主に大きさで、VLMは画像も読み、拡散モデルは主に画像・動画を出します(文章を書く拡散言語モデルもあります)。

選び方

次のトークンをどう選ぶかは設定です。を下げるとモデルは最高点をより多く取り、同じ入力から似た答えが出やすくなります。上げると答えはばらつきます。ゼロにしても、実際のサービスは毎回まったく同じ答えを約束しません。それに、ぶれない答えのほうが正しいというわけでもありません。

RAG・MCP・スキル

かばんにもっと詰め込むやり方の名前です。 は資料を検索して見つけたものを添え、 は AI アプリを外部の道具やにつなぐ、は用意された指示のひとまとまりです。どれが使えるかはアプリの設定とが決めます — モデルだけで決まることはありません。

モデルを動かすプログラム(ランタイム)

このサイトが実際に使っているのは ()と (書き起こし)です。サーバーで大きな言語モデルを動かすときは、同じ役目の別のプログラム — ・・ など — が使われます。どの会社が何を使っているかは公開されていません。

重み・パラメータ数と容量の計算式

(英語: weight)は、によって得られた数値です。(英語: parameter)には、重みなど学習で決まる値が含まれます。は約700億個のパラメータを持ちます。で減らすのはその個数ではなく、1個を保存する数です。ここでいう重みの容量は、これらのモデルパラメータ全体の保存容量を指します。

重みの容量(バイト)≈ パラメータ数 × 1個あたりの保存ビット数 ÷ 8。1バイトは8ビットなので、8で割ります。70Bを4ビットで保存すると、70,000,000,000 × 4 ÷ 8 = 35,000,000,000バイト、つまり十進単位で35 です。量子化の追加情報や実行時の作業は含みません。

Q4・Q6・Q8:同じ数値をより小さな容量に

・Q6・Q8は通常、1個をおおよそ4・6・8で保存する方式を指します。同じの理論上の容量は、それぞれ35 ・52.5 GB・70 GBです。16ビットの140 GBを基準にすると、25%・37.5%・50%になります。

これは目安であり、正確なダウンロードサイズではありません。のような方式は複数の精度を混ぜ、スケールやも加えます。量子化は数値をより粗く近似するため、回答の品質が下がることがあります。自体を取り除くわけではありません。

70Bの理論上の重み容量(十進GB)
  • FP16 / BF16 140 GB · 100%
  • Q8 70 GB · 50%
  • Q6 52.5 GB · 37.5%
  • Q4 35 GB · 25%
量子化していない元のモデルは、必ず16ビット?

いいえ。公開されるの元のには、やBF16がよく使われます。どちらも16の形式です。数値1個の保存容量は同じですが、表現できる範囲と精度が違います。ここでは比較のため、16ビットの元を例にしています。

「元のモデル」という言葉だけではビット数は決まりません。配布されるチェックポイントは、(32ビット)や混合精度の場合も、すでにされた重みの場合もあります。と実際ののを確認する必要があります。元のモデルをすべて「16ビット」と呼ぶのは誤りです。

ファイルが小さくなると、メモリやGPUの使用量も減る?

したを保存すると、通常はファイルが小さくなります。実行が上でも詰めた表現を保てば、重みが使うメモリも減ります。読み込み時だけ量子化する場合、上の元ファイルは変わらないことがあります。逆に読み込み時に高い精度へ展開すると、メモリ使用量は再び増えることがあります。

用メモリ ≈ 重み + + 一時的な + 実行プログラムの管理領域です。重みを量子化しても、KVキャッシュまで自動で量子化されるわけではありません。会話が長い場合や同時リクエストが多い場合は、より多くのが必要になり得ます。・の使用率や速度は数に単純比例せず、の対応、値を展開する計算、転送に左右されます。

モデルは、数値とプログラムが入った1個のファイル?

一般的なのダウンロードで最も大きな部分は、にまとめられた済みの数値です。1個のファイルに入ることも、複数のファイルに分割されることもあり、設定やのファイルが別に付く場合もあります。設定はモデルの構造を記述し、トークナイザーは文字のかたまりをに変換します。

はテンソル、構造の、トークナイザーの情報をまとめて保存できます。はテンソルとメタデータを保存し、構造の設定は別ファイルであることが多い形式です。はも記述できます。構造を記述することと、それを動かす実行エンジンを含むことは別です。やは、この情報を読み、・で計算する独立したです。

レシピ、分量を量った材料、料理人にたとえられます。モデルは計算の内容と学習済みの値を提供し、実行プログラムがその手順を進めます。一般的なモデルファイルに実行プログラム全体が入っていると説明すると、誤解を招きます。

続けて読む

予約できる時間が過ぎました

リエンと音声で会話 言語とテーマを選んで、リエンと声で話しましょう

リエンは English · 한국어 · 日本語 · हिन्दी で声に出して話します。ほかの言語は文字で答えます。

リエンとの音声会話は会員だけが使えます。まず会員登録をしてください。