- AI ナレッジベース
- AIツール
- +1
Cohere Parse v5.0: RAG が優れている理由は、より優れたドキュメントから始めることです
Cohere Parse v5.0 は、PDF、スライド、表、フォーム、および画像を RAG 対応の Markdown に変換します。ここでは、エンタープライズ検索におけるその違い、どこに適合するか、そしてその制限が何を意味するのかを説明します。
記事を読むリソース
From Our ブログ
Product updates, practical guides, and clear analysis for teams putting business AI to work.
最新の
最新の AI 記事
134 記事
- AIツール
- 人工知能
Claude Fable 5.1 と Fable 5: 実際に何が変わったのでしょうか?
Claude Fable 5.1 は紙の上では小さなアップデートのように見えます。ここでは、強力な長期実行作業、より安価なキャッシュ読み取り、および Fable 5 との実質的な違いの背後にあるわかりやすいストーリーを示します。
記事を読む
- リアルタイムAI
- AIツール
AI 通話エージェントの比較: 遅延、方向転換検出、中断
公開されているすべてのベンチマークが一致しない理由、ターン検出に実際にどのようなコストがかかるのか、そしてそれを自分で測定する方法 ここでは、2026 年の AI 電話エージェントに関する 2 つの事実を紹介します。どちらも十分な情報源があり、両方とも真実であり、明らかに互換性がありません。事実 1: Vapi は以下の p50 をターゲットとしています… 続きを読む »
記事を読む
- リアルタイムAI
- AIツール
リアルタイム AI アバター モデルの比較: 遅延、アーキテクチャ、コスト
アーキテクチャ、レイテンシの定義、トランスポート、価格設定、およびそれらを自分で評価する反復可能な方法 各リアルタイム アバター ベンダーはレイテンシの数値を公開しています。 Anam は、サーバー側の生成が約 150 ミリ秒で、1 秒未満の会話であることを示しています。 Tavus は 600 未満と言っています… 続きを読む »
記事を読む
- リアルタイムAI
- 人工知能
Live AI エージェント エクスペリエンスが実際にどのように機能するか: フィールド ガイド
イベント、トレーニング ルーム、公共スペースでのリアルタイム会話エージェントへのベンダー中立のガイド ほとんどのチームが構築したものとはまったく異なる動作をする AI 製品のカテゴリがあります。チャット ウィンドウ、送信ボタン、そして… 続きを読む »
記事を読む
- AIツール
Gemini Embedding 2：グーグル初のマルチモーダル埋め込みモデル
Gemini Embedding 2：機能、ベンチマーク、価格、開始方法 先週、グーグルは ジェミニ エンベッディング2は、Geminiアーキテクチャ上に構築された初のネイティブなマルチモーダルエンベッディングモデルである。エンベッディングを何らかの形で扱うのであれば、これは注目に値する。これは、今日ほとんどのチームが依存しているマルチモデルのエンベッディングパイプラインを大きく破壊する可能性を秘めています。 これまで、OpenAI、Cohere、Voyageの主要な埋め込みモデルは、主にテキストベースでした。画像とテキストのアライメントにはCLIP、画像とビデオにはVoyage Multimodal 3.5など、いくつかのマルチモーダル・オプションは存在しましたが、単一の統一されたベクトル空間で、あらゆるモダリティをカバーするものはありませんでした。音声は通常、埋め込む前に書き起こす必要があった。ビデオでは、フレーム抽出と個別のトランスクリプト埋め込みが必要でした。画像は、完全に独自のベクトル空間に存在していました。 Gemini Embedding 2はその方程式を変える。1つのモデル、1つのAPIコール、1つのベクトル空間。 新情報を掘り下げてみよう。 Gemini Embedding 2とは何ですか？ Gemini Embedding 2(gemini-embedding-2-preview) は、Google DeepMind初の完全なマルチモーダル埋め込みモデルである。テキスト、画像、ビデオクリップ、音声記録、PDF文書を取り込み、それらすべてを同じ共有意味空間に存在するベクトルに変換する。 CLIPのような以前のマルチモーダルアプローチは、ビジョンエンコーダとテキストエンコーダをペアにして、最後に対比学習でそれらを調整するものであったが、Gemini Embedding 2は、Geminiの基礎モデルそのものに基づいて構築されている。これは、深いクロスモーダル理解を基礎から受け継いでいることを意味する。 実例ビデオチュートリアル、オーディオレクチャー、文書によるガイドで学習管理システム（LMS）を構築しているとします。Gemini Embedding 2を使用すると、これらすべてのコンテンツのエンベッディングを単一のベクトル空間に格納し、ビデオ、オーディオ、ドキュメントから関連するチャンクを取得するRAGベースのチャットボットを構築することができます。これまでは、何層ものエンベッディングパイプラインが必要でしたが、それでも、トランスクリプトをキャプチャするだけで、ビデオのビジュアルコンテキストやスピーカーの声のトーンを逃していました。 このモデルはマトリョーシカ表現学習を使用しているため、必要なければ3072次元すべてを使用する必要はない。1536や768に縮小しても、使用可能な結果を得ることができる。 マトリョーシカ表現学習(MRL)は、学習された表現が完全な次元だけでなく、ロシアのマトリョーシカ人形のように互いに入れ子になっている様々な小さな次元でも有用であるように、埋め込みモデルを学習する手法です。学習中、損失関数は完全な埋め込みだけでなく、埋め込みベクトルの複数の接頭辞に対しても計算されます。これによりモデルは、最も重要な情報を最も初期の次元に詰め込み、それに続く各次元がより細かいディテールを追加していく、つまり粗いものから細かいものへの構造を持つようになる。 対応モダリティと入力制限 このモデルは5種類の入力を受け入れ、すべて同じ埋め込み空間にマッピングされる： モダリティ 入力制限 フォーマット テキスト 最大8,192トークン プレーンテキスト 画像 1リクエストにつき6枚まで PNG, JPEG ビデオ 最大120秒 MP4、MOV 音声 最大80秒（ネイティブ、トランスクリプションなし） MP3, WAV PDF 直接埋め込む PDFドキュメント 既存モデルとの比較 TLDR:Googleの新しいGemini Embedding 2モデルは、テキスト、画像、ビデオ、音声のほぼ全てのモダリティにおいて、競合他社（自身の前身、Amazon… Read more »
記事を読む