この文書は PaPoo での表示検証用です。リンク例: PaPoo.
インラインコード。引用はこんな感じ。
| キー | 値 | メモ |
|---|---|---|
| 1 | りんご | フルーツ |
| 2 | バナナ | 黄色 |
| 3 | ぶどう | 紫 |
H2O と E = mc2、ハイライト
assets に
image1.pngを置いたときに表示されます（後でアップロード可能）。
function hello(name) {
console.log(`Hello, ${name}!`);
}
hello("PaPoo");
#include <iostream>
#include <vector>
#include <string>
class Person {
public:
Person(const std::string& name, int age) : name_(name), age_(age) {}
void greet() const {
std::cout << "Hello, my name is " << name_ << " and I am " << age_ << " years old.\n";
}
private:
std::string name_;
int age_;
};
int main() {
std::vector<Person> people;
people.emplace_back("Alice", 30);
people.emplace_back("Bob", 25);
people.emplace_back("Carol", 28);
for (const auto& person : people) {
person.greet();
}
std::cout << "Goodbye!\n";
return 0;
}
import json
import sys
class Person:
def __init__(self, name, age):
self.name = name
self.age = age
def greet(self):
print(f"Hello, I am {self.name} and I'm {self.age} years old.")
def load_people(filename):
with open(filename, 'r') as f:
data = json.load(f)
return [Person(item['name'], item['age']) for item in data]
def main():
if len(sys.argv) != 2:
print("Usage: python script.py people.json")
sys.exit(1)
filename = sys.argv[1]
people = load_people(filename)
for person in people:
person.greet()
# Save ages to a new JSON
ages = [p.age for p in people]
with open('ages.json', 'w') as f:
json.dump(ages, f, indent=2)
if __name__ == "__main__":
main()
ChatGPTで最もContextが長いモデルは GPT5ではなくGPT-4.1だった!
ChatGPTはAIの世界で広く利用されていますが、特にその使用に際して気になるのが「コンテキストサイズ」についてです。利用する際に、どれだけの情報を保持できるのかは、実務における有効性に直結します。ここでは、ChatGPTの最新モデルについて、そのコンテキストサイズの違いと実際の活用法に焦点を当てます。
ChatGPTにはさまざまなモデルがありますが、それぞれの特徴とコンテキストサイズを以下に示します。
この情報から注目すべきなのは、GPT-4.1系のコンテキストサイズが1,000Kトークンである点です。これにより、非常に大規模なデータ処理や長文の解析が可能になります。
コンテキストサイズとは、直近の会話履歴、添付ファイルの要約、システム指示、現在の入力、そして今回の出力の総和を指します。コンテキストサイズが上限に近づくと、古い発言から順に切り落とされていきます。これが「忘れる感じ」になる一因です。
このように、トークン数の違いによって、取り扱える情報量に大きく差が生まれます。特に日本語では分かちの影響で、一般的なトークン数が英語よりも増えるため、実際に取り扱える文字数も増加します。
ChatGPTを業務で活用する際のポイントをいくつか考えてみましょう。
これらのテクニックを駆使することで、より効率的にChatGPTを利用することができるでしょう。
AI技術の進歩によって、私たちが扱う情報量は日々増加しています。特にChatGPTのコンテキストサイズの違いは、業務の効率を左右する重要な要因となります。記事を通じて、GPT-4.1が実際に最も長いコンテキストを持つモデルであることを理解いただけたと思います。この知識を実務に活かし、AIとのインタラクションをよりスムーズに進めるための一助となれば幸いです。
ChatGPTで最もContextが長いモデルは GPT5ではなくGPT-4.1だった!
前回の記事では、ChatGPTのコンテキストサイズについて触れましたが、ここではいくつかのポイントにさらに深く焦点を当ててみましょう。具体的には、コンテキストサイズの影響、実務における活用法、そして各モデルの特徴に関する理解を深めることが重要です。
コンテキストサイズは、AIがどれだけの情報を保持し、理解することができるかに直接関わっています。これによって、以下のような点が変わってきます。
持続的な対話: 大規模なコンテキストサイズによって、より長い会話を持続することが可能になります。GPT-4.1の1,000Kトークンという上限は、長期的なプロジェクトや詳細なディスカッションを行う際に特に役立ちます。
情報の整合性: コンテキストが広範囲にわたると、過去の議論や情報を適切に参照することができるため、矛盾のない応答が生成されます。特に複雑な問題へのアプローチにおいて、この整合性は非常に重要です。
多様なデータの取り扱い: 多様なデータソース（例えばテキスト、コード、PDFなど）を組み合わせて利用できるため、より豊かな情報に基づいた提案や解決策が可能になります。このような能力は、特に学術研究や技術開発の現場では非常に価値があります。
AIを業務で利用する場合、その特性を理解することが成功のカギとなります。以下に、実際に役立つ戦略をいくつか示します。
要約の活用: 大量の情報を扱う場合、重要なポイントを要約してAIにフィードバックすることで、より効果的な対話を実現できます。例えば、長い文書や会話の中から重要なメッセージを抽出し、次のプロンプトに統合することで、重要な情報を忘れさせることなく進めます。
段階的なアプローチ: 複雑な問題を解決する際には、一度にすべての情報を投入するのではなく、段階的に情報を提供する方が効果的な場合があります。これにより、AIが焦点を定め、応答を軌道修正するチャンスを増やせます。
動的なプロンプト編成: プロンプトを常に更新し、過去の情報や新しいディスカッションポイントを追加することで、AIを効果的に活用できます。このように動的に情報を管理することで、進化し続けるプロジェクトに最適なサポートを受けることができます。
それぞれのモデルには独自の特性がありますので、それを知っておくことも重要です。以下は各モデルの特徴です。
GPT-5系: 高いパフォーマンスを持つが、コンテキストサイズは400Kに制限されています。特に、狭い範囲での高精度なやり取りに強みがあります。
GPT-4.1系: 最も大規模なコンテキストサイズを持つため、長文や詳細なデータ解析に特化しています。これにより、特に重たいドキュメントや分析が必要な場合に非常に効果的です。
GPT-4.1 mini: 小型かつ高速な処理能力で、スピードを勝る局面での業務に向いています。
GPT-4oおよびo3系: 高度な推論が可能で、比較的少ないトークンで質の高い応答を生成する特性があります。
これらの情報を知っておくことで、目的や状況に応じて最適なモデルを選択し、AIの能力を最大限に引き出すことが可能になります。
AI技術の進化により、私たちの日常や仕事のスタイルも大きく変わっています。特にChatGPTのコンテキストサイズの違いを意識することで、AIとのインタラクションがよりスムーズになり、その利便性を最大限に活かすことができるでしょう。