AIエージェントが「解決後も止まらない」82%終了遅延の罠|Excelメモリ92%減と検証先行移行術
作成日:

AIエージェントが「解決後も止まらない」82%終了遅延の罠|Excelメモリ92%減と検証先行移行術


論旨

コーディングAIエージェントで成功した実行の 38〜82% は最初のコード編集ですでに正解へ到達しているにもかかわらず、AIが自ら止まれずに無駄な探索や再編集を続けてトークンを溶かし、合っていたコードまで壊してしまう「終了遅延」が開発現場の 最大の障壁(ボトルネック) になっています。

その場しのぎのPython生成をやめてRust製専用バイナリ(メモリ最大92%削減)と単一順伝播の判定モデル『Winnow-12B』を組み込み、「検証ハーネス先行」と機械的なhook検問でAIを即座に止める設計へ転換することこそが、API費用と開発期間を劇的に圧縮する最短ルートです。
合わせて読みたい深まる関連情報
この記事の対象となる方
  • Claude CodeやAntigravityなどのAIエージェントが「修正が終わった後も延々とファイルを読み漁り、最後にエラーを出して自滅する現象」に悩んでいる方

  • AIにExcel帳票や大量データを処理させるたび、毎回使い捨てのPythonスクリプトを生成してメモリ不足や単位の取り違えを起こしている方

  • llama.cpp 1.0 とオープンウェイトの判定特化モデル『Winnow-12B』を手元のMacやGPUで動かし、条件分岐やメール確認をコスト0円で高速化したい方

  • 古いJavaや.NETなどの基幹システム移行において、AIの手戻りを防ぎながら数カ月単位の工数を数週間〜数日へ短縮する「検証ハーネス先行」の手順を知りたい方

解決済みなのに止まらない82%終了遅延の正体

AIエージェントにバグ修正や機能追加を任せたとき、「最初の1〜2分でとっくに直っているのに、そこからさらに5分以上もあちこちのファイルを開いたりテストを書き換えたりして、挙げ句の果てに動いていたコードまで壊してしまった」という経験はないでしょうか。

この現象は単なるプロンプトの書き方不足ではなく、現在のコーディングAIが構造的に抱えている 「終了遅延(Termination Lag)」 と呼ばれる深刻な病巣であることが最新の研究で明らかになりました。

初回編集で正解なのに自己破壊する罠

2026年11月に公開された Termination Lag論文 では、5種類の最先端AIモデル、2種類の実行枠組み(スキャフォールド)、そして3種類のSWE-bench評価基準を横断して、AIエージェントが「いつ正解に辿り着き、いつ作業を終了したか」が徹底的に分析されました。

その結果、驚くべき事実が判明しています。最終的に成功したタスク実行のうち、実に 38〜82% は「最初のソースコード編集(初回パッチ)」の時点ですでに完全な正解へ到達していたのです。

質問するおじさん

最初のひと太刀でもう直っとるのに、そこからAIが「念のためこっちも調べてみよう」「やっぱり書き直そう」と余計なことを続けて、倍以上のトークンと時間を溶かしとったわけじゃな。

さらに恐ろしいのは、単なるAPI費用やクォータの浪費だけでは済まない点です。

Termination Lag論文 の詳細なトレース分析によると、最初の編集で正しく問題を解決できていたにもかかわらず、AIが「本当にこれで十分か?」と疑心暗鬼になって後続の探索と再編集を繰り返した結果、せっかく合っていた最初の修正を自らの手で壊して失敗(自己破壊)に転落するケース が多数確認されました。

🔍 終了遅延(Termination Lag)が引き起こす3大損失
  • トークンとAPIクォータの空焚き :成功実行の 38〜82% で、初回編集後のすべての推論ステップ(追加のファイル読込、grep検索、再テスト)が純粋な無駄打ちになっています。

  • 正解パッチの自己破壊(オーバーエディット) :AIは「何か追加の作業をしなければならない」というバイアスを持ちやすく、完了後に余計な境界条件チェックやリファクタリングを混ぜて既存の正常動作を破壊します。

  • 人間の待ち時間とコンテキスト汚染 :無駄な試行錯誤ログで会話履歴(コンテキスト)が埋め尽くされるため、後続の指示に対するAIの判断精度まで連鎖的に低下します。

当ラボでも以前、Google AI週間クォータ消費を半減させたSQLite×RAMDisk最適化の検証記事で計測したとおり、AIが「確信を持てずに確認ループを回し始める瞬間」こそが最も激しくトークンを浪費するポイントでした。

もし1タスクあたり平均15ステップ回しているAI開発環境で、初回正解後の余剰ステップ(推論として全体の約40〜60%相当)を機械的な完了判定で即座に打ち切ることができれば、推論 として月間のAPI課金や週間クォータ消費をそのまま半分近くに圧縮できる計算になります。

初期確信度信号と実行評価の協調進化

では、なぜAIエージェントは解決した後も止まれないのでしょうか。最大の理由は、AIに「何をもって100%完了とするか」を客観的かつ即座に突きつける外部の審判(決定論的な終了判定器)が欠けているからです。

この課題に対し、2026年11月の最新研究では2つの有力なアプローチが提示されています。

1つ目は、Prefix-Guided Sampling論文 が提唱する「初期信号による早期打ち切り」です。並列推論(Parallel Test-Time Scaling)を行う際、最後まで長々と文章を生成させるのではなく、推論の冒頭(プレフィックス)に現れるモデルの確信度信号を読み取ることで、筋の悪い探索経路を初期段階で切り捨てて計算資源を劇的に節約します。

2つ目は、Verify by Doing論文 が示した「実行役と評価役の協調進化(Co-Evolving)」です。外部から正解ラベルが与えられない環境でも、コードを実行する能力と「その結果が仕様を満たしているか」を検証する能力を対にして鍛えることで、AI自身が引き際を正確に見極められるようになります。

解説ナビゲーター

つまり、AIに「自分で考えて適当なところで止まってね」と任せるのではなく、1発で合否がわかる高速な検証ツールと、迷いを生まない判定の仕組みを外側から与えてあげることが解決の鍵になります。


使い捨てPython廃止とRust専用バイナリの威力

AIエージェントが終了遅延に陥るもう1つの大きな原因が、「データ処理のたびに、その場しのぎのPythonスクリプトを書いて試行錯誤を始めること」です。

たとえば業務でよくあるExcel帳票の読み取りや集計をAI(Claude CodeやAntigravityなど)に頼むと、AIは高確率で pandas や openpyxl を使った使い捨てのPythonコードを書き始めます。

Excel読込でメモリ92%減と最大13倍高速化

この「毎回Pythonを書いて実行する」というやり方がいかに非効率で危険かを、鮮やかな実測値で示したのが Rust製excel-readによる高速化解説 です。

Pythonで pandas 等を使ってExcelファイル(.xlsx)を読み込ませると、ファイルやシートの規模に応じてPythonインタプリタと巨大ライブラリの展開だけで 81〜157MB ものメモリを消費します。さらに、ライブラリの未インストールエラーや文字コード・型変換エラーが出れば、AIはスクリプトを書き直して何度も再実行ループを回し始めます。

これに対し、Rustで書かれた軽量な専用コマンドラインツール(excel-read)をあらかじめエージェントのSkill(拡張技能)に同梱しておき、決まったコマンド1発でJSONやCSVへ変換させる構成に切り替えると、パフォーマンスは劇的に一変します。

Excel帳票読込時のピークメモリ使用量比較(MB・少ないほど優秀)
Python読込(pandas等・大規模データ時)シート規模に応じてメモリが急増
157 MB
Python読込(pandas等・小規模データ時)最小構成でも80MB超を消費
81 MB
Rust製専用バイナリ(excel-read)行数によらず約13MB固定(84〜92%削減)
13 MB

Rust製excel-readによる高速化解説 の実測データによれば、Rust製の専用バイナリを使った場合、シートの行数が増えてもメモリ使用量は 約13MB固定(Python比で84〜92%削減) に収まり、実行速度は 3〜13倍高速化 しました。

結合セルや千円単位の取り違え事故を防ぐ

Rust製専用バイナリをSkillに組み込む恩恵は、単なる速度やメモリ削減だけではありません。実務上もっとも重要なのは、「日本のExcel帳票特有の罠によるハルシネーション(事実誤認)を構造的に防げること」です。

日本の業務Excelには、見栄えを整えるための「セル結合」や「2段・3段の複雑な表頭(見出し)」、さらにはセルの数値自体は 1,250 なのに表示形式や表の右上注記で「(単位:千円)」と指定されているケースが日常茶飯事です。

質問するおばさん

AIにその場でPythonコードを書かせると、結合セルの2列目以降が全部空欄(NaN)になったり、「千円単位」を見落として1,000倍ズレた金額で集計レポートを作ってきたりして本当に危ないのよね!

毎回AIにアドホックなPythonスクリプトを書かせていると、こうした結合セルの展開漏れや表示形式(フォーマット文字列)の無視が必ずと言っていいほど再発します。

しかし、最初から「結合セルの自動補完」や「表示形式・単位情報の構造化抽出」を組み込んだRust製バイナリを用意し、AIには「Pythonを書くな、この専用バイナリを1回叩け」と固定すれば、試行錯誤のトークン消費も桁違いの集計ミスも同時にゼロへ抑え込めます。

🦀 当ラボでも実証済みの『Pure Rust 専用CLI一本化』
  • 使い捨てスクリプトとシェル乱打の完全廃止 :当サイト(公開総数 785記事:検証録 370記事・構想 415記事)の運用でも、以前はAIがNode.jsやPythonのワンライナーを書いて記事検索や文字数計算を行っていましたが、現在はすべてPure Rust製の専用バイナリ(検索用の kb-search と検問用の gemini-gate)へ統合しています。

  • 1コール・数ミリ秒で確定結果を返す :増えすぎた56コマンドと仕様書を暗記ゼロで回すコックピット構築術でも紹介したとおり、AIが自分で検索ロジックを考える余地をなくし、Rust製CLIが1コール・数ミリ秒で確定データを返すようにしたことで、終了遅延の温床だった「手探り調査ループ」が完全に消滅しました。


単一順伝播で選ぶWinnow-12Bとローカル実行

専用バイナリでデータ取得を高速化した次にメスを入れるべきなのが、AIワークフローの至るところに存在する「条件分岐・ルーティング・状態確認」の処理です。

これまで多くの開発現場では、「顧客からのメール履歴を読んで、注文数量や希望納期が揃っているか判定し、不足があれば確認項目を選ぶ」といった処理にまで、重厚な汎用チャットAI(文字生成モデル)を使ってきました。

メール往復から条件を抜く判定特化モデル

しかし、数択の判定やステータス確認のために何百トークンものJSON文字列を1文字ずつ自己回帰(autoregressive)で生成させるのは、計算資源の無駄遣いであるだけでなく、出力フォーマット崩れによるシステム停止の原因にもなります。

そこで2026年後半に入り急速に普及しているのが、Decision Model入門 で体系的に整理されている 「判定特化モデル(Decision Model)」 です。

判定特化モデルとは、文章をダラダラと生成する代わりに、たった1回の順伝播(single forward pass) で各選択肢のロジット(確率値・確信度)を直接読み出し、「どの選択肢を選ぶべきか」をミリ秒単位で即決するモデル群を指します。

解説ナビゲーター

クラウドAPI型では当ラボでも導入している「Gemini Decision 1」が有名ですが、社内メールや機密データを外部に出さずローカル環境で動かしたいというニーズから、オープンウェイトの判定モデルが大きな注目を集めています。

その筆頭が、EldanRingによって開発されたGemma 4(12B)ベースのオープンウェイト判定モデル 『Winnow-12B』 です。

Winnow-12B検証記事 では、ビジネス現場でよくある「複数回往復した日本語のメールスレッド(最初は10個注文→途中で15個へ変更→届け先だけ別メールで指定、納期は未回答など)」を入力し、現在の確定条件と次に確認すべき項目を判定させる実験が行われています。

その結果、『Winnow-12B』は文脈の途中で変更された最新の数量や届け先を正確に追跡し、「現在どの条件が埋まっていて、どの項目を返信メールで聞き返すべきか」を1回の順伝播で的確に選び出す高い日本語実務性能を示しました。

クラウド型の判定APIとRust・上位モデルを組み合わせた設計については、Gemini Decision 1とRust・Carbonを組み合わせた3層パイプラインの実測検証でも詳しく検証していますが、これと同等の「出力トークンに頼らない高速判定」が手元のPCだけで完結できるようになった意義は計り知れません。

安定版llama.cppで手元PCから0円運用

しかもタイミングが良いことに、ローカルLLMを実行するためのデファクトスタンダード基盤である llama.cpp が、長年のビルド番号更新を経てついに初のメジャー安定版となる v1.0.0(ビルド b12359) へ到達しました(llama.cpp 1.0入門)。

llama.cpp 1.0入門 でも実測されているとおり、安定版となった llama.cpp 1.0 はコマンド体系やサーバー機能(llama-server)、量子化モデル(GGUF形式)の読み込み安定性が大幅に洗練されています。12Bクラスの判定モデルも量子化(4bit〜8bit等)を適用すれば、推論 として約8〜14GB前後のメモリ領域に収まるため、MacのApple Silicon(ユニファイドメモリ)や16GB VRAMクラスのGPUを備えた手元PCに常駐させてAPI費用0円で高速に呼び出す構成が現実的です。

⚡ 『Winnow-12B』×『llama.cpp 1.0』ローカル判定基盤のメリット
  • API課金とクォータ消費が完全ゼロ :エージェントのループ継続判定、タスク振り分け、メール・問い合わせの条件充足チェックを何度回してもクラウド費用は1円もかかりません。

  • 1回の順伝播による圧倒的レスポンス :長い思考トークンやJSON文字列を生成しないため、判定待ちによるワークフローの停滞(レイテンシ)がなくなります。

  • 社外秘メールや顧客データの完全ローカル保護 :取引先との生々しいメール往復や未公開の仕様書を外部クラウドへ送信せずに、手元の母艦マシン内だけで安全に処理できます。


検証ハーネス先行で基幹移行を数カ月短縮する

ここまでの「終了遅延の防止」「Rust製専用ツールへの統一」「高速な判定モデルの活用」を、実際の巨大システム開発やレガシー移行(モダナイゼーション)へ統合したとき、どれほどの威力が生まれるのでしょうか。

2026年11月に相次いで公開された2つの大規模移行事例は、従来の「まずAIにコードを書かせてから人間がテストする」という手順を根底から覆すものでした。

旧システムと1行単位の一致を先に固める

1つ目の衝撃的な事例が、米国の農作物保険会社ProAg(東京海上HCCグループ)における .NET Framework 4.8 基幹システムの刷新プロジェクトです(ProAg社の検証ハーネス先行手順)。

農作物保険の基幹処理には、州ごとの複雑な保険料計算や政府報告データの生成など、1円のズレも許されない緻密なビジネスロジックが詰まっています。従来のやり方では、1つのストアドプロシージャや業務手順を解析・移行して検証を終えるまでに 6カ月以上 の期間を要していました。

そこで開発チームが採用したのが、AIに業務コードを書かせる前に 「旧システムと新システムの出力結果が1行・1項目単位で完全一致することを自動証明する検証用制御基盤(検証ハーネス)」を最初に構築する というアプローチでした。

質問するおじさん

最初に「新旧の出力が1ミリでもズレたら即NG、ピタッと一致したら即合格」という自動採点マシーン(検証ハーネス)を作ってしまえば、AIは合格ランプが点くまで自分で直して、点いた瞬間にピタッと止まれるわけじゃな!

この「検証ハーネス先行」の手順を導入した結果、従来 6カ月以上 かかっていた基幹処理の移行期間が、実に 約5週間 へと劇的に短縮されました(ProAg社の検証ハーネス先行手順)。

さらに2つ目の事例として、AWSジャパンが公開した体系的移行手順「AI Modernization Flow(AIMF)」の実証結果も見逃せません(Java 15万行の4日移行事例)。

この実証では、Java 11で書かれたオープンソースのブログサーバー「Apache Roller(コード規模 約15万行)」を対象に、以下の6つのフェーズへ明確に工程を分割してAIエージェントを投入しました。

🚀 約15万行をわずか4日で移行した『AIMF』6フェーズ構造
  • Phase 0a(分析) :現行コードの構成把握と技術的負債・依存関係を機械的に洗い出します。

  • Phase 0b(移行判断) :いきなりコードを書き換えず、移行先候補・概算規模・リスクを提示し、この時点で人間が稟議・判断して一度ストップできる関所を設けます。

  • Phase 1(準備) :後続の実装でAIが迷わず合否を判定できるよう、現新比較の方式や非機能要件の範囲を先に決定します。

  • Phase 2(計画) :一括変換ではなく、作業計画と明確な成功基準を確定します。

  • Phase 3(実施) :確定した計画に従い、段階的な移行とステップごとの細かな検証を回します。

  • Phase 4(最終確認) :実装とは別視点からの全機能検証を行い、完了を確定させます。

このように「途中で稟議ストップできる判断関所(Phase 0b)」と「事前の検証準備」を固めてからAIを走らせたことで、約15万行におよぶJava 11コードベースを、わずか 4日間 で最新の Java 21+Jakarta EE 10(およびStruts 7・Spring 6・PostgreSQL 17) へと完全移行することに成功しています(Java 15万行の4日移行事例)。

手順書の無視をhook強制検問で物理遮断

なぜ「検証ハーネス先行」と「フェーズ分割」がこれほど劇的な効果を生むのかと言えば、冒頭で見た 「AIの終了遅延(38〜82%が初回解決後も止まらない問題)」を構造的に封じ込められるから です。

ただし、ここで1つ注意しなければならない落とし穴があります。それは、「検証ハーネスを通せ」「Pythonを使わずに専用コマンドを叩け」という指示を、単なるマークダウンの手順書(Skillやルールファイル)に書いただけでは、AIがしばしばそれを無視して暴走するという現実です。

当ラボのAIエージェントが手順書を83%無視する理由と強制検問への移行ガイドでも実証したとおり、自然言語の指示書(Skill)は「AIが自発的に従うことを期待するガイド」に過ぎません。

この問題について、MCP・Skill・hookの役割分担 では非常に明快な整理がなされています。

  • MCP(Model Context Protocol) :AIに外部の世界(データベースやブラウザなど)と繋がる「手足・道具」を与える仕組み。
  • Skill(スキル) :AIに特定の業務をこなすための「手順書・型(および同梱のRust製専用バイナリ)」を教える仕組み。
  • hook(フック) :ファイル保存時やコマンド実行前後に、AIの意思とは無関係にOS側から 100%機械的に発動して強制検査・強制停止を行う安全装置。

さらに、日々の開発でAIエージェントが実際にどう動いたかの実行履歴(トレース)をそのまま捨ててしまうのではなく、初期プロンプトと開始時点のGitコミット(開始SHA)から別の隔離環境でいつでも再現・再採点できる評価ケースへ変換する Trace2Eval(Trace2Eval解説)を組み合わせれば、「どのSkillやhookを変えたら終了遅延が減ったか」を確かな 裏付け(エビデンス) に基づいて継続改善できるようになります。

これら2026年11月時点の最新ベストプラクティスを1つの開発パイプラインとして繋ぎ合わせると、以下の4段階フローに収束します。

終了遅延を根絶する『検証先行×Rust専用CLI×hook強制停止』4段階フロー
Step 1
検証ハーネスと専用CLIの準備

実装前に「旧出力と1行単位で一致するか」を判定する検証ハーネスを用意し、Excel読込等はメモリ13MB固定のRust製バイナリとしてSkillに同梱します。

Step 2
初回パッチの最小限実装

AIエージェントには手探りのPython生成や広域探索を禁じ、専用CLIから得た確定データをもとに最小限の初回コード編集(パッチ)を実行させます。

Step 3
hookと判定モデルによる即時検問

ファイル編集直後にhookが自動発火し、検証ハーネスおよび単一順伝播の判定モデル(Winnow-12B等)が合否を機械判定します。

Step 4
合格時の強制停止とTrace2Eval記録

検証ハーネス合格と同時に「完了確定・追加編集禁止」を通知して自己破壊を遮断し、履歴をTrace2Evalで評価ケース化します。

この4段階構造は、当ラボがAI自律開発の最適化7層アーキテクチャ総括で構築してきた「事前カルテ(prep)→ 最小編集 → Pure Rust gemini-gate による4ミリ秒hook検問」と完全に同じ設計思想に立っています。


終了遅延を断ち切る実践プロンプトと総括

最後に、今日から読者の皆さまが手元のAIコーディング環境(Claude Code、Antigravity、Cursorなど)へそのまま導入して、「82%終了遅延によるトークン浪費と自己破壊」を食い止めるための実践ルール定義を共有します。

コピペで使える過剰編集ストッパー定義

以下のルールブロックを、プロジェクトの共通ルールファイル(CLAUDE.md や GEMINI.md、または各Skillの冒頭)に貼り付けて活用してください。

# 終了遅延(Termination Lag)防止 & 検証ハーネス先行ルール

## 1. 使い捨てスクリプト生成の禁止(専用ツールの優先)
- Excel(.xlsx)やCSV、データベースの集計・検索を行う際、その場で使い捨てのPythonスクリプト(pandas / openpyxl等)や複雑なシェルワンライナーを生成して試行錯誤することを禁止する。
- ワークスペースまたはSkill内に用意された専用CLIバイナリ・確定スクリプトを1コールで実行し、構造化された出力(JSON等)を直接参照すること。

## 2. 検証ハーネス先行(Verify-First)の徹底
- 既存のロジック移行やバグ修正を行う際は、本体コードを広範囲に書き換える前に「何をもって正解とするか(入出力の一致条件・単体テスト・型検査)」を検証する最小コマンド(検証ハーネス)を特定または先に用意せよ。

## 3. 初回パッチ合格後の即時停止(オーバーエディット厳禁)
- コード編集後、指定された検証コマンド(または自動hook検問)がエラーゼロで通過した時点で、タスクは100%完了である。
- 検証通過後に「念のための周辺ファイル探索」「指示されていないリファクタリング」「追加の再編集」を続けることは、正解パッチの自己破壊とトークン浪費を招くため厳禁とする。検証パスを確認したら即座に作業を終了して報告せよ。
解説ナビゲーター

この3原則をルールに明記したうえで、ファイルの保存時hookに高速なリンターやテストハーネスを紐づけておけば、AIが「合格したのにまだ触り続ける」という悪癖をピタッと止められます!

迷わず1コールで終わる開発環境への転換

従来の「AIにすべてを丸投げして試行錯誤させるやり方」と、今回解説した「検証ハーネス先行×Rust専用バイナリ×hook強制検問」の違いを整理すると、開発組織の 管理体制(ガバナンス) とコスト構造が根本から変わることがわかります。

従来のAI任せ開発 vs 検証先行・専用バイナリ・hook統合開発
従来型 vs 検証先行・hook型
従来のAI任せ開発:終了タイミングと品質
初回解決後も38〜82%が空回り

正解に到達した後もAIが不安になって探索と再編集を続け、トークンを倍増させた挙げ句に正常なコードを自己破壊します。

検証先行×hook型:終了タイミングと品質
検証パス+hookで合格即ストップ

検証ハーネスで1行単位の一致を確認した瞬間にhookが作業完了を確定させ、無駄なトークン消費と手戻りを物理的に遮断します。

従来のAI任せ開発:データ処理と判定
毎回Python生成&汎用LLMで判定

Excelを読むたびに81〜157MBのメモリを食い、結合セルや千円単位を取り違え、条件分岐のたびにJSON生成で遅延します。

検証先行×hook型:データ処理と判定
Rust製13MB固定&Winnow-12B即決

Skill同梱のRustバイナリでメモリを最大92%削減して3〜13倍高速化し、単一順伝播の判定モデルとローカル推論基盤で0円即決します。

AIモデルの性能がどれほど向上しても、周辺のツール環境があやふやなままでは、AIは「確認のための確認」に計算資源を溶かし続けます。

  1. データ取得は使い捨てPythonではなく、Skillに同梱したRust製専用バイナリで1発確定させること。
  2. 条件分岐やメール確認は、1回の順伝播で選ぶ『Winnow-12B』と安定版 llama.cpp 1.0 でローカル0円処理すること。
  3. システム移行や実装では「検証ハーネス」を先に作り、hook による機械検問で合格した瞬間にAIを止めること。

なお、大容量ユニファイドメモリを備えたMac母艦や16GB VRAM搭載GPUは初期投資こそ必要ですが、耐用年数を5年(1,825日)として毎日AI開発やローカル判定サーバーに稼働させた場合、推論 として1日あたり数十円〜200円前後の設備単価でクラウドAPI課金の節約と高速ビルドの恩恵を毎日受け続けられます。週間クォータと大切な時間を守りながら、迷いゼロの高速AI開発環境を手に入れてみてください。

Apple Mac mini(M4 Pro 等 Appleシリコン Pro系チップ・64GBユニファイドメモリ構成)

Apple Mac mini(M4 Pro 等 Appleシリコン Pro系チップ・64GBユニファイドメモリ構成)

GeForce RTX 5060 Ti 16GB 搭載 グラフィックスボード(GDDR7 / Blackwell世代・省電力16GB VRAM)

GeForce RTX 5060 Ti 16GB 搭載 グラフィックスボード(GDDR7 / Blackwell世代・省電力16GB VRAM)

ぐっすり眠る猫様
ノルウェージャンフォレストキャット

最初のひと掻きでカリカリのお皿が開いたのに、そのあと余計に引っ掻き回してお皿ごとひっくり返すのはドジっ子AIだけでちぃ。Rustの高速缶切りと1発判定でサッと食べたら、あとはボクみたいにすぐお昼寝してクォータを温存するでちぃ!