Obsidianをobsidian-copilotプラグインでGemini ProやGPT APIと連携させたら便利すぎて笑った件

かいりん

2024年2月23日 13:11

Obsidianって？: オープンソースのメモアプリ。その柔軟性とカスタマイズ性の高さで人気を集めている。Obsidianは、Windows、Mac、Linux、iOS、Androidなど主要なすべてのOSで利用可能だ

obsidian-copilotって？: obsidian-copilotは、Obsidian用のプラグイン。Obsidianアプリ内でGPTやGeminiなど、各種LLMとのAPI連携を可能にする

GitHubレポジトリはここ

インストールする時は普通にObsidianからSettings > Community plugins > Browse > "obsidian-copilot" とか入力して検索してくれよな

要するに: Obsidianにobsidian-copilotプラグインをインストールしてGemini ProやGPT APIと連携させると、Obsidian内で直接LLMに命令して文章をいじれるようになる

具体的には: こんなことができるようになるぞ

選択範囲の文章に対して

要約する
長くする
短くする
簡略化する
翻訳する
トーンを変更する
プレスリリース風に書き換え
5歳児向けに説明
URLを削除
ツイートに書き換え
ツイートスレッドに書き換え
用語集を生成
単語数とトークン数をカウント
文法とスペルを修正
目次を生成
絵文字を盛る
カスタムプロンプトで指示する

感想: 文章エディタとLLMとのウィンドウをまたいで往復する必要なくエディタ内で連続して依頼・対話できるのは想像以上に超絶快適

以下、こんなことができたぜ、の実例を置いておくよ

注1: Gemini Pro APIやGPT APIの使い方説明は世界中で無限に解説されてるので省略。検索するなりChatGPTに訊いてくれ！

注2: 例はGPT-4ではなく、Gemini Pro APIを使ってる。
日本語でこのレベルの品質の出力が2024年2月23日現在、完全無料
だ！！！！！！！！！！！！！！！！！！！！！！

※ LLMにまつわる文言はWikipediaから使わせてもらいました

要約する / Summarize selection

入力

大規模言語モデル（だいきぼげんごモデル、英: large language model、LLM）は、多数のパラメータ（数千万から数十億）を持つ人工ニューラルネットワークで構成されるコンピュータ言語モデルで、膨大なラベルなしテキストを使用して自己教師あり学習または半教師あり学習（英語版）によって訓練が行われる。

LLMは2018年頃に登場し、さまざまなタスク（仕事）で優れた性能を発揮している。これにより、自然言語処理の研究の焦点は、特定のタスクに特化した教師ありモデルを訓練するという以前のパラダイムから転換した。大規模言語モデルの応用は目覚ましい成果を上げているが、大規模言語モデルの開発はまだ始まったばかりであり、多くの研究者が大規模言語モデルの改良に貢献している。

大規模言語モデルという用語の正式な定義はないが、大規模コーパスで事前訓練された、数百万から数十億以上のパラメータを持つディープラーニングモデルを指すことが多い。LLMは、特定のタスク（感情分析、固有表現抽出、数学的推論など）のために訓練されたものとは異なり、幅広いタスクに優れた汎用モデルである。LLMがタスクを実行する能力や対応可能な範囲は、ある意味では設計における画期的な進歩には依存せず、LLMに費やされた資源（データ、パラメータサイズ、計算力）の量の関数であるように見える。多数のパラメータを持ったニューラル言語モデルは、文の次の単語を予測するという単純なタスクで十分に訓練することで、人間の言葉の構文や意味の多くを捉えられることがわかった。さらに、大規模な言語モデルは、世の中に関するかなりの一般知識を示し、訓練中に大量の事実を「記憶」することができる。

質の高い証拠とされる2023年のメタ分析によれば、大規模言語モデルの創造性に目を輝かせる研究者はもちろん世界中に存在し、小規模言語モデルにはできないタスクで大規模言語モデルが創造的であると主張する学者もいるが、これは測定基準の選択によるものであり、創造性によるものではないことが示唆されている。異なる測定基準を選択した場合、大規模言語モデルの創造性の優位性は見られない可能性が示唆されている。

出力

大規模言語モデル（LLM）は、多数のパラメータを持つ人工ニューラルネットワークで構成されるコンピュータ言語モデルである。
LLMは2018年頃に登場し、さまざまなタスクで優れた性能を発揮している。
LLMの応用は目覚ましい成果を上げているが、開発はまだ始まったばかりである。
LLMの正式な定義はないが、大規模コーパスで事前訓練された、数百万から数十億以上のパラメータを持つディープラーニングモデルを指すことが多い。
LLMは、特定のタスクのために訓練されたものとは異なり、幅広いタスクに優れた汎用モデルである。
LLMがタスクを実行する能力や対応可能な範囲は、ある意味では設計における画期的な進歩には依存せず、LLMに費やされた資源（データ、パラメータサイズ、計算力）の量の関数であるように見える。
多数のパラメータを持ったニューラル言語モデルは、文の次の単語を予測するという単純なタスクで十分に訓練することで、人間の言葉の構文や意味の多くを捉えられることがわかった。
大規模な言語モデルは、世の中に関するかなりの一般知識を示し、訓練中に大量の事実を「記憶」することができる。
2023年のメタ分析によれば、大規模言語モデルの創造性に目を輝かせる研究者はもちろん世界中に存在し、小規模言語モデルにはできないタスクで大規模言語モデルが創造的であると主張する学者もいるが、これは測定基準の選択によるものであり、創造性によるものではないことが示唆されている。

長くする / Make selection longer

入力

出力

大規模言語モデル（LLM）は、多数のパラメータ（数千万から数十億）を持つ人工ニューラルネットワークで構成されるコンピュータ言語モデルです。LLMは、膨大なラベルなしテキストを使用して自己教師あり学習または半教師あり学習によって訓練が行われます。

LLMは、2018年頃に登場し、さまざまなタスクで優れた性能を発揮しています。これにより、自然言語処理の研究の焦点は、特定のタスクに特化した教師あり学習モデルを訓練するという以前のパラダイムから転換しました。

LLMの応用は目覚ましい成果を上げていますが、開発はまだ始まったばかりです。多くの研究者がLLMの改良に貢献しており、LLMは今後さらに進化していくことが期待されています。

LLMは、特定のタスクのために訓練されたモデルとは異なり、幅広いタスクに優れた汎用モデルです。LLMがタスクを実行する能力や対応可能な範囲は、ある意味では設計における画期的な進歩には依存せず、LLMに費やされた資源（データ、パラメータサイズ、計算力）の量の関数であるように見えます。

多数のパラメータを持ったニューラル言語モデルは、文の次の単語を予測するという単純なタスクで十分に訓練することで、人間の言葉の構文や意味の多くを捉えられることがわかりました。さらに、大規模な言語モデルは、世の中に関するかなりの一般知識を示し、訓練中に大量の事実を「記憶」することができるのです。

LLMは、テキスト生成、機械翻訳、要約、質問応答など、さまざまなタスクに使用することができます。LLMの応用は今後さらに広がっていくことが期待されています。

短くする / Make selection shorter

入力

出力

大規模言語モデル（LLM）は、多数のパラメータを持つ人工ニューラルネットワークで構成されるコンピュータ言語モデルです。LLMは、膨大なラベルなしテキストを使用して自己教師あり学習または半教師あり学習によって訓練が行われます。

LLMは2018年頃に登場し、さまざまなタスクで優れた性能を発揮しています。これにより、自然言語処理の研究の焦点は、特定のタスクに特化した教師ありモデルを訓練するという以前のパラダイムから転換しました。

簡略化する / Simplify selection

入力

出力

大規模言語モデル（LLM）は、コンピューターが人間の言葉を理解したり、文章を書いたりできるようにする特別なプログラムのことだよ。LLMは、膨大な文章を読んで勉強して、人間の言葉を理解することを学んでいるんだ。

LLMは、2018年頃に登場して、いろんなタスクで活躍しているよ。例えば、文章を翻訳したり、質問に答えたり、詩を書いたりすることもできるんだ。

LLMは、特定のタスクのために訓練されたモデルとは異なり、幅広いタスクに使える便利なモデルなんだ。LLMがタスクを実行する能力は、LLMに費やされたデータや計算力の量に依存しているよ。

多数のパラメータを持ったニューラル言語モデルは、文の次の単語を予測するという単純なタスクで十分に訓練することで、人間の言葉の構文や意味の多くを捉えられることがわかったんだ。さらに、大規模な言語モデルは、世の中に関するかなりの一般知識を示し、訓練中に大量の事実を「記憶」することができるよ。

2023年の調査によると、大規模言語モデルは創造的であると主張する学者もいるけれど、これは測定基準の選択によるものであり、創造性によるものではないことが示唆されているんだ。

翻訳する / Translate selection

入力

A large language model (LLM) is a language model notable for its ability to achieve general-purpose language generation and understanding. LLMs acquire these abilities by learning statistical relationships from text documents during a computationally intensive self-supervised and semi-supervised training process. LLMs are artificial neural networks, the largest and most capable of which are built with a decoder-only transformer-based architecture. Some recent implementations are based on other architectures, such as recurrent neural network variants and Mamba (a state space model).

LLMs can be used for text generation, a form of generative AI, by taking an input text and repeatedly predicting the next token or word. Up to 2020, fine tuning was the only way a model could be adapted to be able to accomplish specific tasks. Larger sized models, such as GPT-3, however, can be prompt-engineered to achieve similar results. They are thought to acquire knowledge about syntax, semantics and "ontology" inherent in human language corpora, but also inaccuracies and biases present in the corpora.

Some notable LLMs are OpenAI's GPT series of models (e.g., GPT-3.5 and GPT-4, used in ChatGPT and Microsoft Copilot), Google's PaLM and Gemini (the latter of which is currently used in the chatbot of the same name), Meta's LLaMA family of open-source models, and Anthropic's Claude models.

出力

大規模言語モデル（LLM）は、汎用的な言語生成と理解を達成する能力で注目されている言語モデルです。LLMは、計算量のかかる自己教師あり学習と半教師あり学習のトレーニングプロセス中に、テキスト文書から統計的関係を学習することで、これらの能力を獲得します。LLMは人工ニューラルネットワークであり、最大かつ最も有能なものは、デコーダーのみのトランスフォーマーベースのアーキテクチャで構築されています。最近のいくつかの実装は、リカレントニューラルネットワークのバリエーションやマンバ（状態空間モデル）などの他のアーキテクチャに基づいています。

LLMは、入力テキストを受け取り、次のトークンまたは単語を繰り返し予測することで、生成型AIの一形態であるテキスト生成に使用できます。2020年までは、ファインチューニングは、モデルを特定のタスクを実行できるように適応させる唯一の方法でした。しかし、GPT-3などの大規模なモデルは、プロンプトエンジニアリングによって同様の結果を達成することができます。LLMは、人間の言語コーパスに固有の構文、意味論、および「オントロジー」に関する知識を獲得するだけでなく、コーパスに存在する不正確さやバイアスも獲得すると考えられています。

注目すべきLLMとしては、OpenAIのGPTシリーズのモデル（例：ChatGPTやMicrosoft Copilotで使用されているGPT-3.5とGPT-4）、GoogleのPaLMとGemini（後者は現在、同名のチャットボットで使用されています）、MetaのオープンソースモデルであるLLaMAファミリー、AnthropicのClaudeモデルなどがあります。

トーンを変更する / Change tone of selection

入力

出力 / フレンドリー

こんにちは！大規模言語モデル（LLM）って知ってる？LLMは、コンピューターが人間の言葉を理解したり、文章を書いたりできるようにする特別なプログラムなんだ。

LLMは、膨大な文章を読んで勉強して、人間の言葉を理解することを学んでいるんだ。だから、文章を翻訳したり、質問に答えたり、詩を書いたりすることもできるよ。

LLMは、特定のタスクのために訓練されたモデルとは異なり、幅広いタスクに使える便利なモデルなんだ。例えば、LLMを使って、宿題を手伝ってもらったり、手紙を書いたり、ストーリーを作ったりすることもできるよ。

LLMは、まだ開発途上の技術だけど、私たちの生活をより便利にしてくれる可能性を秘めているんだ。だから、LLMのことを覚えておいてね！

プレスリリース風に書き換え / Rewrite selection to a press release

入力

出力

プレスリリース

大規模言語モデル（LLM）が、私たちの生活をより便利に！

2023年3月8日

東京 - 大規模言語モデル（LLM）は、コンピューターが人間の言葉を理解したり、文章を書いたりできるようにする特別なプログラムです。LLMは、膨大な文章を読んで勉強して、人間の言葉を理解することを学んでいます。

LLMは、特定のタスクのために訓練されたモデルとは異なり、幅広いタスクに使える便利なモデルです。例えば、LLMを使って、宿題を手伝ってもらったり、手紙を書いたり、ストーリーを作ったりすることもできます。

LLMは、まだ開発途上の技術ですが、私たちの生活をより便利にしてくれる可能性を秘めています。例えば、LLMは、以下のようなことに活用することができます。

カスタマーサービスの改善： LLMは、顧客からの問い合わせに迅速かつ正確に回答することができます。
医療の向上： LLMは、患者の病気を診断したり、治療法を提案したりすることができます。
教育の充実： LLMは、生徒一人ひとりに合わせた学習カリキュラムを作成したり、宿題を手伝ったりすることができます。
エンターテインメントの創造： LLMは、新しい映画やドラマの脚本を書いたり、音楽を作曲したりすることができます。

LLMは、私たちの生活をより便利で豊かにする可能性を秘めた、画期的な技術です。今後、LLMの活用が進むことで、私たちの生活は大きく変わっていくでしょう。

5歳児向けに説明 / Explain selection like I'm 5

入力

出力

LLMは、2018年頃に登場して、いろんなタスクで活躍しているよ。例えば、文章を翻訳したり、質問に答えたり、詩を書いたりすることもできるんだ。

LLMは、まだ開発途上の技術だけど、私たちの生活をより便利にしてくれる可能性を秘めているんだ。だから、LLMのことを覚えておいてね！

URLを削除 / Remove URLs from selection

入力

大規模言語モデル（だいきぼげんごモデル、英: large language model、LLM）は、多数のパラメータ（数千万から数十億）を持つ人工ニューラルネットワークで構成されるコンピュータ言語モデルで、膨大なラベルなしテキストを使用して自己教師あり学習または半教師あり学習（英語版）によって訓練が行われる[1]。

LLMは2018年頃に登場し、さまざまなタスク（仕事）で優れた性能を発揮している。これにより、自然言語処理の研究の焦点は、特定のタスクに特化した教師ありモデルを訓練するという以前のパラダイムから転換した[2]。大規模言語モデルの応用は目覚ましい成果を上げているが、大規模言語モデルの開発はまだ始まったばかりであり、多くの研究者が大規模言語モデルの改良に貢献している[3]。

大規模言語モデルという用語の正式な定義はないが、大規模コーパスで事前訓練された、数百万から数十億以上のパラメータを持つディープラーニングモデルを指すことが多い。LLMは、特定のタスク（感情分析、固有表現抽出、数学的推論など）のために訓練されたものとは異なり、幅広いタスクに優れた汎用モデルである[2][4]。LLMがタスクを実行する能力や対応可能な範囲は、ある意味では設計における画期的な進歩には依存せず、LLMに費やされた資源（データ、パラメータサイズ、計算力）の量の関数であるように見える[5]。多数のパラメータを持ったニューラル言語モデルは、文の次の単語を予測するという単純なタスクで十分に訓練することで、人間の言葉の構文や意味の多くを捉えられることがわかった。さらに、大規模な言語モデルは、世の中に関するかなりの一般知識を示し、訓練中に大量の事実を「記憶」することができる[2]。

出力

大規模言語モデル（LLM）は、多数のパラメータを持つ人工ニューラルネットワークで構成されるコンピュータ言語モデルです。LLMは、膨大なラベルなしテキストを使用して自己教師あり学習または半教師あり学習によって訓練が行われます。

LLMは2018年頃に登場し、さまざまなタスクで優れた性能を発揮しています。これにより、自然言語処理の研究の焦点は、特定のタスクに特化した教師あり学習モデルを訓練するという以前のパラダイムから転換しました。

大規模言語モデルの応用は目覚ましい成果を上げていますが、開発はまだ始まったばかりです。多くの研究者が大規模言語モデルの改良に貢献しています。

大規模言語モデルという用語の正式な定義はありませんが、大規模コーパスで事前訓練された、数百万から数十億以上のパラメータを持つディープラーニングモデルを指すことが多いです。LLMは、特定のタスクのために訓練されたものとは異なり、幅広いタスクに優れた汎用モデルです。

LLMがタスクを実行する能力や対応可能な範囲は、ある意味では設計における画期的な進歩には依存せず、LLMに費やされた資源（データ、パラメータサイズ、計算力）の量の関数であるように見えます。多数のパラメータを持ったニューラル言語モデルは、文の次の単語を予測するという単純なタスクで十分に訓練することで、人間の言葉の構文や意味の多くを捉えられることがわかりました。さらに、大規模な言語モデルは、世の中に関するかなりの一般知識を示し、訓練中に大量の事実を「記憶」することができるのです。

質の高い証拠とされる2023年のメタ分析によれば、大規模言語モデルの創造性に目を輝かせる研究者はもちろん世界中に存在し、小規模言語モデルにはできないタスクで大規模言語モデルが創造的であると主張する学者もいますが、これは測定基準の選択によるものであり、創造性によるものではないことが示唆されています。異なる測定基準を選択した場合、大規模言語モデルの創造性の優位性は見られない可能性が示唆されています。

ツイートに書き換え / Rewrite selection to a tweet

入力

出力

・大規模言語モデルは、コンピューターが人間の言葉を理解したり文章を書いたりできるようにするプログラムです。
・膨大な文章を読んで勉強して、人間の言葉を理解することを学んでいます。
・特定のタスクだけでなく、幅広いタスクに使える便利なモデルです。
・まだ開発途上の技術ですが、私たちの生活をより便利にしてくれる可能性を秘めています。

ツイートスレッドに書き換え / Rewrite selection to a tweet thread

入力

出力

THREAD START

大規模言語モデルって知ってる？コンピューターが人間の言葉を理解したり文章を書いたりできるようにするプログラムなんだ。膨大な文章を読んで勉強して、人間の言葉を理解することを学んでいるよ。

LLMは2018年頃に登場して、いろんなタスクで活躍してるんだ。例えば、文章を翻訳したり、質問に答えたり、詩を書いたりすることもできるよ。

LLMは、まだ開発途上の技術だけど、私たちの生活をより便利にしてくれる可能性を秘めているんだ。例えば、LLMは、以下のようなことに活用することができます。

カスタマーサービスの改善
医療の向上
教育の充実
エンターテインメントの創造

LLMは、私たちの生活をより便利で豊かにする可能性を秘めた、画期的な技術なんだ。今後、LLMの活用が進むことで、私たちの生活は大きく変わっていくでしょう。

THREAD END

用語集を生成 / Generate glossary for selection

入力

出力

用語集

大規模言語モデル（LLM）: 多数のパラメータを持つ人工ニューラルネットワークで構成されるコンピュータ言語モデル。膨大なラベルなしテキストを使用して自己教師あり学習または半教師あり学習によって訓練が行われる。
パラメータ: ニューラルネットワークの重みとバイアスのこと。ニューラルネットワークの性能を決定する重要な要素である。
自己教師あり学習: ラベルなしのデータを使用してニューラルネットワークを訓練する方法。ニューラルネットワークは、データからパターンを学習し、そのパターンに基づいて予測を行う。
半教師あり学習: ラベル付きのデータとラベルなしのデータを使用してニューラルネットワークを訓練する方法。ラベル付きのデータは、ニューラルネットワークが正しい予測を行うための教師として使用される。ラベルなしのデータは、ニューラルネットワークがデータからパターンを学習するために使用される。
自然言語処理: コンピューターが人間の言葉を理解したり生成したりできるようにする技術のこと。
教師あり学習: ラベル付きのデータを使用してニューラルネットワークを訓練する方法。ニューラルネットワークは、ラベル付きのデータからパターンを学習し、そのパターンに基づいて予測を行う。
汎用モデル: 特定のタスクに特化していないモデルのこと。幅広いタスクに使用することができる。
コーパス: テキストの集まりのこと。
ディープラーニング: ニューラルネットワークの一種。人間の脳の構造を模倣して作られており、複雑なデータからパターンを学習することができる。
感情分析: テキストの感情を分析する技術のこと。
固有表現抽出: テキストから固有表現（人名、地名、組織名など）を抽出する技術のこと。
数学的推論: テキストから数学的な推論を行う技術のこと。
創造性: 新しいアイデアを生み出す能力のこと。

単語数とトークン数をカウント / Count words and tokens in selection

入力

出力 ※日本語はだめだね

The selected text contains 4 words and 230 tokens.

入力（英語）

出力

The selected text contains 79 words and 147 tokens.

文法とスペルを修正 / Fix grammar and spelling of selection

入力

昔今、インターネットの浸透により、情報の濫発が問題症されています。その中でも、特に「フェークニュース」の散布は深切な社会問題となっておりまう。フェークニュースは、事実に基づかない情報や、誤った情報を敢意に拡散することで、人々の認知を曲歪させることがあるます。このような情報は、社会に対する信憑性を損ねるばかりでなく、時には公衆の安全に対する胁威ともなりえます。

しかし、この問題に取組むためには、単に誤情報を摘除するだけでは不足分です。情報リテラシーの昂進が求められているます。情報リテラシーとは、情報を批評的に評価し、効率的に活用する能力のことです。これには、情報の源を見極める力や、情報が正鵠かどうかを裁断する力が含まれます。

加えて、電子社会においては、「情報の過剰接種」も問題となっています。多くの情報に接することは益々ですが、過剰になると情報過負に陥り、重要な情報を失見することがあります。したがって、情報を選択し、適切に処置する能力も、現代人には必需のスキルと言えるでしょう。

出力

昔も今も、インターネットの浸透により、情報の氾濫が問題視されています。その中でも、特に「フェイクニュース」の散布は深刻な社会問題となっています。フェイクニュースは、事実に基づかない情報や、誤った情報を意図的に拡散することで、人々の認知を歪曲させることがあります。このような情報は、社会に対する信頼性を損ねるばかりでなく、時には公衆の安全に対する脅威ともなりえます。

しかし、この問題に取り組むためには、単に誤情報を摘出するだけでは不十分です。情報リテラシーの向上が求められています。情報リテラシーとは、情報を批判的に評価し、効率的に活用する能力のことです。これには、情報源を見極める力や、情報が正確かどうかを判断する力が含まれます。

加えて、電子社会においては、「情報の過剰摂取」も問題となっています。多くの情報に触れることは有益ですが、過剰になると情報過多に陥り、重要な情報を看過することがあります。したがって、情報を選択し、適切に処理する能力も、現代人には必須のスキルと言えるでしょう。

目次を作成 / Generate table of contents for selection

入力

出力

大規模言語モデルとは
- 定義
- 歴史
- 應用
大規模言語モデルの利点
- 汎用性
- 精度
- 効率性
大規模言語モデルの課題
- バイアス
- 説明可能性
- 倫理的問題
大規模言語モデルの未来
- 研究の方向性
- 応用の可能性
- 社会への影響