話し方
Open Academy
無料
入門 / teaching and education, educational technology, MIT
4.8
(9)
このコースは、重要な場面でのスピーキング能力を向上させるためのいくつかのルールを学ぶことに焦点を当てています。学習者は面接、論文審査、口述試験など、さまざまな状況における効果的な発表方法を身につけることができます。
入門
teaching and education, educational technology, MIT
"1兆パラメータモデルはいかにして学習されるのか" GTC 2026、Moonshot AIがステージで直接公開した Kimi K2.5のスケーリング戦略をInflearnにて日本語でご覧ください。 トークン効率2倍 ・ 100万トークンコンテキスト ・ 1,000エージェントスウォーム オープンソースLLMの次なるステップがここにあります。 * この講義は、Kimiを開発したMoonshot AIとInflearnの公式コラボレーションにより無料で公開されます。
私たちのチームのLLM学習/ファインチューニングが不安定な時、「オプティマイザの問題なのか、それともアーキテクチャの問題なのか」を区別して原因を特定できる診断基準
ロングコンテキストが必要なプロジェクトにおいて、フルアテンション(Full Attention)の代わりにKimi Linearなどの代替案を検討すべきか判断するためのアーキテクチャ比較基準
マルチエージェントシステムを設計する際、「サブエージェントをいくつ、どのように分割するか」と報酬設計(完了率・並列実行の誘導)をそのまま適用できる設計テンプレート
ビジョン+テキストモデルを導入・評価する際、「なぜこのモデルが特定のベンチマークで強いのか」をアーキテクチャレベルで説明できる根拠
K2.5の発表を
K3が登場した今見るべき理由ngay cả khi K3 đã ra mắtnow that K3 has been released
NVIDIA GTC 2026にて、Kimiの創業者である楊植麟(ヤン・ジーリン)氏は、K2.5を出発点としてトークン効率、ロングコンテキスト、マルチエージェントについて説明し、Kimi Delta AttentionやAttention Residualsへとつながる選択を自ら紹介します。, người sáng lập Kimi, Yang Zhilin, lấy K2.5 làm điểm khởi đầu để giải thích về hiệu suất token, ngữ cảnh dài, đa tác nhân và trực tiếp giới thiệu các lựa chọn dẫn đến Kimi Delta Attention và Attention Residuals., Kimi founder Yang Zhilin uses K2.5 as a starting point to explain token efficiency, long context, and multi-agents, and directly introduces the choices leading to Kimi Delta Attention and Attention Residuals.
K3の性能表だけを見るのではなく、その結果に至るまでの技術ロードマップをInflearn(インフラン)にて韓国語で確認してみてください。
* 2026年7月22日基準。 1,372万は動画の再生数ではなく、発表全体を含むXの投稿の閲覧数です。重複再生が含まれる可能性があり、ユニーク視聴者数や動画の完走数を意味するものではありません。
K3がすべての評価で1位のモデルというわけではありません。
それにもかかわらず注目された理由は、オープンモデルがクローズドなフロンティアモデルと同じ競争圏に入り、長時間のエージェント作業においても強みを見せたためです。
発売直後の基準でArtificial Analysis総合3位(2026.07.17)、AA-Briefcase 2位とAgent Arena 4位(2026.07.21)を記録しました。順位は今後変動する可能性があります。KimiはK3を初のオープン3T級モデルとして発表しており、2026年7月22日現在、全重みは7月27日に公開予定です。
総合評価 · 長期知識タスク · Agent Arena · K3公式発表
Kimiも全体的な性能とユーザーエクスペリエンスにおいては、最上位のクローズドモデルと格差があることを明らかにしています。コストと速度も、タスクや設定によって異なります。重要なのは、単にモデルを大きくすること以外に、複数のボトルネックをどのような順序で解消し、フロンティア競争圏に到達したかという点です。
発表が直接提示する3つのスケーリングは、トークン効率、コンテキスト長、エージェント数です。
ここに、併せて紹介または予告されたモデルの深さとマルチモーダル研究を加えると、K2.5からK3まで続く技術的ロードマップが見えてきます。
Token efficiency · Muon optimizerとQK-Clipにより、トークンあたりの学習効率と大規模学習の安定性を向上させます。
Sequence scaling · Kimi LinearとKimi Delta Attentionにより、長いコンテキストの計算とメモリのボトルネックに対処します。
Depth scaling · Attention Residualsにより、入力に応じて前層の表現を選択することで、モデルの深さ方向における情報の希釈を軽減します。
Agent scaling · Agent SwarmとPARLによってタスクを並列サブエージェントに分割し、再び統合します。
Modality scaling · ネイティブマルチモーダル学習とEarly Fusionにより、ビジョンを実際のコーディングやエージェント作業に活用します。
トークン・コンテキスト・エージェントのスケーリングについて説明し、KDAを長いコンテキストの研究として紹介、AttnResを次世代構造として予告します。
KDAとAttnResを基盤構造として採用し、疎なMoEと学習・推論技術を加えて2.8T規模に拡張します。
* この講演はK3の全体解説ではありません。KDAとAttnResもK2.5モデルに適用されたとは説明していません。発表で紹介・予告された後、K3で採用された流れを扱います。Stable LatentMoE、Quantile Balancingなど、K3で追加された詳細技術は講演の範囲に含まれません。
> K3公式技術ブログを見る
K2.5の機能を羅列する発表ではありません。
同じトークンからより多くを学ぶ方法、
長いコンテキストに対応する構造、
複数のエージェントを並列で動かすシステムまで
Kimiが何をスケーリングの問題と捉えたのかを辿ります。
同じ学習トークンから、いかにしてより多くを学ぶか?
長いコンテキストの計算とメモリの負担をどのように減らすか?
複数のエージェントを同時に実行することと、何が違うのだろうか?
ビジョンとテキストが互いを強化する
オプティマイザー、線形アテンション、RL報酬関数 —
簡単なトピックではないからこそ、インフランが言語と技術の壁を低くしました。
学習エージェント(BETA)は、現在再生中の動画を理解し、
動画の文脈に基づいて回答します。
学びの流れを止めないよう、プレイヤーの隣で一緒に学習してみてください。
英語で行われたGTCの発表を韓国語AI字幕とともに提供します。
発表の流れはそのままに、最も使い慣れた言語で学習してください。
K3の全体解説ではなく、K3を可能にした問いがどのような順序で登場したのかを示すGTC発表です。
学習対象は
誰でしょう?
最新のLLM学習・スケーリング手法をキャッチアップしたいAIエンジニア・リサーチャー
Optimizer、Attentionなどモデルの内部構造が気になるMLエンジニア
マルチエージェントシステム設計に関心のあるバックエンド・AIサービス開発者
オープンソースLLMの導入を検討中のテックリード・CTO
GTCのようなグローバルカンファレンスの発表を韓国語で快適に視聴したい方
前提知識、
必要でしょうか?
トランスフォーマーやアテンションなどのディープラーニングの基本概念を知っていれば、よりスムーズに理解できます。
AIモデルがどのように学習されるかを知っていれば、受講できます。
3,675
受講生
22
受講レビュー
4.9
講座評価
231
講座
"言語が学習の障壁にならないように。"
世界有数の機関による公開講座をお届けします。
翻訳と字幕作業を通じて、すべての学習者が言語の壁を感じることなく講義を受けられるようサポートします。
全体
1件 ∙ (39分)
知識共有者の他の講座を見てみましょう!
同じ分野の他の講座を見てみましょう!
無料