AI技術・仕組み

LLMは並列計算できるのに、なぜ答えを少しずつ生成するのか。PrefillとDecodeの違い、KVキャッシュを追加するタイミング、最初の応答までのTTFTと生成間隔を図解します。

MCPとは何かを、Host・Client・Server、Tools・Resources・Prompts、stdio・Streamable HTTP、Function CallingやAPIとの違い、安全設計、2026-07-28仕様の変更まで図解します。

RAGとファインチューニングの違いを、仕組み、更新、引用、コスト、遅延、評価で比較。最新情報・社内文書・定型出力など用途別の選び方と併用方法を図解します。

Stable Diffusionの仕組みを、Diffusionのノイズ予測、VAEによる潜在圧縮、U-NetとCross-Attention、学習・生成の違い、StepsとGuidance Scaleまで図解します。

LLaVAとは何かを、text-only GPT-4による画像指示データ生成、158Kの内訳、CLIP・Projector・LLM、二段階学習、answer loss、評価条件まで図解します。

VLM（Vision-Language Model）とは何かを、Vision Encoder、Connector、LLM、visual tokenのshape、LLaVA・Flamingo・BLIP-2の構造比較、学習方法、限界まで図解します。

Vision Transformer（ViT）とは何かを、画像のpatch分割、Patch Embedding、Class Token、Position Embedding、Self-Attention、CNNとの違いまで図解します。

CLIPとは何かを、Image EncoderとText Encoder、Contrastive Learning、共有Embedding空間、zero-shot画像分類の流れから図解。prompt設計、用途、限界も解説します。

Mambaと状態空間モデルを、SSMの離散化、入力依存のDelta・B・C、Selective Scan、Mamba block、Transformerとの違いまで数式と図で解説します。

LLMのLong Contextを、Dense Attentionの二乗計算、Longformer、RoPE Scaling、KV Cache、実効context長まで数式と具体例で図解します。