Ollama

標準的な Ollama には直接のリランク API がありませんので、 クエリとドキュメントのペアに対して埋め込みを生成し、それらをスコアリングすることで、Qwen3 リランカーを使用したリランキング（GO 言語で） を実装する必要があります。

このテストでは、Ollama上でホストされているさまざまなLLMがHugoページを英語からドイツ語に翻訳する方法を比較しています（[英語からドイツ語へのHugoページの翻訳の比較](https://www.glukhov.org/ja/post/2025/06/translation-quality-comparison-llms-on-ollama/ “英語からドイツ語へのHugoページの翻訳の比較”）。

テストした3つのページは、異なるトピックについており、いくつかの構造を持つマークダウンがありました：見出し、リスト、テーブル、リンクなど。

この小さな Reranking Goコード例はOllamaを呼び出して埋め込みを生成しています クエリと各候補ドキュメントに対して、 その後、コサイン類似度で降順にソートします。

Qwen3 Embedding および Reranker モデル は、Qwenファミリの最新リリースで、高度なテキスト埋め込み、検索、再順位付けタスクに特化して設計されています。

PCIe レーンがLLMの性能に与える影響? タスクによります。トレーニングやマルチGPUの推論では、パフォーマンスの低下が顕著です。

Ollama モデルライブラリには、HTML コンテンツを Markdown に変換できるモデルが存在します。これはコンテンツ変換タスクに役立ちます。HTML を Markdown に変換。

いくつかのAI支援によるコーディングツールおよびAIコーディングアシスタントとその魅力的な特徴について紹介します。

私は理論をテストしたいと思っています - すべてのコアをIntel CPUで使用するとLLMの速度が上がるか？
新しいgemma3 27bitモデル（gemma3:27b、ollama上では17GB）が私のGPUの16GB VRAMに収まらず、部分的にCPU上でも実行されていることが気になります。

Ollama サーバーが同時に2つのリクエストを受けると、その動作は設定と利用可能なシステムリソースに依存します。

DeepSeekの 1世代目の推論モデルで、OpenAI-o1と同等の性能を備えています。 これは、LlamaおよびQwenに基づいてDeepSeek-R1から蒸留された6つの密なモデルです。

以下は、Ollama コマンドの最も役に立つリストと例です (Ollama コマンドのチートシート)。
以前にまとめたものです。
きっとあなたにとって役に立つでしょう (有用な情報)。

少し前にもリリースされました。最新の状況を確認し、他のLLMと比較してMistral Smallのパフォーマンスをテストしてみましょう。

Reranking は、Retrieval Augmented Generation (RAG) システム の二つ目のステップであり、Retrieving と Generating の間にある。

美味しい料理は目にも楽しめます。 しかし、本記事ではAIに基づく2つの検索システム、FarfalleとPerplexicaを比較します。

とてもエキサイティングですね！
CopilotやPerplexity.aiにすべてを依頼する代わりに、今やあなた自身のPCやノートPCで同様のサービスをホストできるようになりました！