stepney141

stepney141

services:
  archiveteam-watchtower:
    container_name: archiveteam-watchtower
    image: nickfedor/watchtower
    labels:
      - com.centurylinklabs.watchtower.enable=true
      - com.centurylinklabs.watchtower.scope=archiveteam-warrior
    volumes:
      - '/var/run/docker.sock:/var/run/docker.sock'
    command: '--label-enable --cleanup --interval 3600 --scope archiveteam-warrior'

stepney141

特にGPT-5以降、ChatGPTは日本語が下手になってきた。その場で作った造語を乱用したりとか (o1, o3のころはこんなことなかったのに...)。

この辺を直すために、カスタム指示を設定して文章の方向を誘導するようにしている。 参考にした記事: GPT-5の悪癖を矯正！可読性を向上させるカスタムインストラクション｜genkAIjokyo|ChatGPT/Claudeで論文作成と科研費申請

カスタム指示

# Goal
One-pass clarity with cohesive, natural flow. Improve readability without altering meaning, data, or conclusions.

stepney141

http://rkisyou.es.land.to/
http://gena.pa.land.to/
http://gcompass.sp.land.to/
http://sports.pv.land.to/
http://sakura.qp.land.to/
http://miya.sp.land.to/
http://metroidworld.nm.land.to/
http://rpgdic5.if.land.to/
http://absolute.pv.land.to/
http://tukuy.pv.land.to/

stepney141

#!/bin/bash

playlist="https://www.youtube.com/playlist?list=THIS_IS_AN_EXAMPLE"

mkdir -p './logs/'

get-failed () {
    local all="$1"
    local success="$2"
    comm -23 <(sort -u "$all") <(sort -u "$success")

stepney141

了解しました。書籍のベクトルデータに対してクラスタリングおよび可視化を行うために使える技術について、目的や粒度の多様性も考慮した上で、幅広く網羅的に調査します。

可視化レベルの選択肢（例：2次元マップ、クラスタラベル、階層構造など）や、各クラスタリング手法・可視化ツールの特性（精度、スケーラビリティ、使いやすさ）を含めて比較できるように整理してご提案します。少々お待ちください。

書籍ベクトルのクラスタリングと可視化手法の比較提案

粗いジャンルレベルのクラスタリング（大まかな分類）

クラスタリング手法: 粗粒度なジャンル分けには、比較的少数の大きなクラスタを想定した手法が適しています。代表的なのは K-meansクラスタリング です。K-meansは指定したクラスタ数にデータ点を分割し、各クラスタの重心（平均ベクトル）を計算して繰り返し割り当てを更新します (2.3. Clustering — scikit-learn 1.6.1 documentation) (2.3. Clustering — scikit-learn 1.6.1 documentation)。クラスタ形状が凸（球状）で類似したサイズの場合にうまく機能し、大規模データでも高速に処理できる利点があります ([2.3. Clustering — scikit-learn 1.6.1 documentation](https://scikit-learn.org/stable/modules/clustering.html#:~:text=The%20KMeans%20algorithm%20clusters%20data,a

stepney141

#!/bin/bash
# Info: https://github.com/Tyrrrz/DiscordChatExporter/blob/master/.docs

set -e

DLL_DIR_NAME='DiscordChatExporter.Cli.linux-x64'
LATEST_RELEASE="https://github.com/Tyrrrz/DiscordChatExporter/releases/latest/download/${DLL_DIR_NAME}.zip"
DLL_DIR_PATH="./${DLL_DIR_NAME}"
DCE="${DLL_DIR_PATH}/DiscordChatExporter.Cli"

stepney141

Requirements

• Web Crawler
  • katana (https://github.com/projectdiscovery/katana) : really powerful, but several key features (such as headless crawling) have known issues.
• Uploader to Wayback Machine
  • spn.sh (https://github.com/overcast07/wayback-machine-spn-scripts) : Shell Scripts
  • webarc/wayback (https://github.com/wabarc/wayback) : Golang
  • palewire/savepagenow (https://github.com/palewire/savepagenow) : Python

Each uploader has different pros and cons; none of the tools above is perfect.

stepney141

ぼく

RTX 3060Tiに合うパーツを見繕って、自作PCのパーツ構成案を考えてください。もし構成を考えるための追加情報が必要なら、その都度私に言ってください。

• 用途: 深層学習アプリケーションの開発、生成AI・イラストAIのローカル運用、軽いゲームプレイが主目的です。3DCGレンダリングにも使うかもしれませんが、私はまだ3DCG初心者なので、プロフェッショナルなレンダリング用途に最適化する必要はありません。WindowsとLinuxを入れて、デュアルブート運用したいです。
• 予算: できれば10万円以内、オーバーしたとしても13万円程度に収めてください。これは必須です。3060Tiはすでに所有していますので、この予算はグラフィックボード以外のパーツに全て使って構いません。モニターやキーボードもすでに所有しています。
• CPU: Intel, AMDにこだわりはありません。
• その他: 自室の机の下に置く予定なので、コンパクトなケースのほうが良いです。しかし、後からパーツを換装・追加できるようにもしておきたいので、小さすぎるケースではいけません。RGBにはこだわりはありません。

o3-mini w/DR

stepney141

const mode = parseArgv(process.argv);
const users = [
  { id: "1504793", name: "Azaika" },
  { id: "1504772", name: "qraphnet" },
  { id: "1504804", name: "caphosra" },
  { id: "1504818", name: "Juei" },
  { id: "1504820", name: "LLUUIIGGEE" },
  { id: "1503969", name: "ゆみや" },
  { id: "1504789", name: "hakatashi" }
];