Открывайте больше.
Тратьте меньше.

加州禁止AI自行決定解僱員工,成全美首例

iThome 新聞

美國加州州長Gavin Newsom周三(9/30)簽署SB 947,禁止雇主完全依賴AI或自動化決策系統,決定對員工採取懲戒或解僱措施,要求這類重大人事決策必須有人類參與審查,成為全美首個禁止雇主完全依賴AI做出懲戒或解僱決定的州別。

Балл: 56.18Уверенность: 54%

AI 채보 파일을 보낼 때, 읽을 사람과 수정할 사람의 요구를 나누기

velog

저는 Creatune 팀의 Alex입니다. 이 글은 2026년 10월 5일 한국어 공개 페이지에서 확인한 기능을 바탕으로 만든 전달 방법과 점검 템플릿입니다. 실제 음원을 변환하거나 생성된 악보의 정확도를 시험한 후기는 아닙니다. 자동 채보가 끝난 뒤 어떤 파일을 보내야 할까요? 받는 사람이 연습실에서 바로 읽으려는지, 악보 프로그램에서 고치려는지에 따라 답이 달라집니다. 파일을 모두 첨부하는 것만으로는 어떤 버전이 기준인지 알기 어렵습니다. 먼저 다음 두 질문을 적어 두면 전달 방식이 명확해집니다. 이 사람은 악보를 읽고 연주하려고 하나요, 아니면 음표와 편곡을 수정하려고 하나요? 현재 파일은 검토 전 초안인가요, 사람이 확인한 버전인가요? 변환 전에 입력 조건과 작업 범위 확인하기 Creatune의 한국어 오디오 악보 변환 페이지 는 오디오 업로드와 My Songs 선택을 안내합니다. 공개 입력 화면에는 로그인 안내와 작업당 50크레딧이 표시됩니다. MP3에 관한 FAQ는 10초~10분, 최대 10MB라는 범위를 안내합니다. 이 MP3 안내를 확인하지 않은 다른 파일 형식의 제한까지 일반화하지 않는 것이 좋습니다. 이 도구의 공개 설명은 주선율과 코드 중심의 채보입니다. 여러 악기의 모든 파트를 자동으로 분리한 완성 총보라고 생각하면 전달 단계부터 기대가 어긋납니다. 촘촘한 반주, 자유로운 템포, 장식음이 많은 구간은 원음과 비교하며 사람이 확인할 부분으로 남겨 두세요. 받는 사람의 다음 행동에 맞춰 파일 고르기 공개 페이지는 오선보 PDF, 숫자 악보 PDF, MusicXML, 가사 JSON, 전체 ZIP을 안내합니다. 여기서 파일 형식 목록은 공개 기능 설명이며, 이번 글에서 실제 파일을 생성해 열어 본 결과는 아닙니다. 받는 사람의 다음 행동 우선 전달할 파일 함께 적을 정보 화면이나 종이로 보며 연습하기 익숙한 표기의 PDF 버전, 검토 상태, 확인이 필요한 구간 음표를 고치거나 이조·편곡하기 MusicXML 사용할 악보 프로그램, 알려진 수정 사항 가사 줄과 시간 정보를 후속 작업에 활용하기 가사 JSON 시간 정보의 용도와 검증 여부 결과 파일을 묶어서 보관하기 전체 ZIP 어떤 파일이 현재 기준인지 알려 주는 설명 PDF는 페이지를 읽는 전달물이고, MusicXML은 호환 악보 프로그램에서 편집을 이어 가기 위한 전달물입니다. MusicXML을 다른 프로그램에서 열면 줄바꿈이나 글꼴, 가사 배치가 달라질 수 있으므로, PDF와 화면이 완전히 같을 것이라고 약속하지 마세요. ZIP도 파일을 한 번에 보관하기 편한 묶음이지, 모든 파일의 음악적 정확성을 확인했다는 증명은 아닙니다. 읽기용 전달물은 실제 읽는 환경에서 확인하기 연습실에서 태블릿으로 볼 예정이라면 그 화면에서 글자와 가사가 읽히는지 확인합니다. 인쇄할 예정이라면 페이지 경계에서 악구가 불편하게 끊기지 않는지 살펴봅니다. 코드 기호와 가사가 겹치거나, 페이지를 넘기는 위치가 연주를 방해하는지도 점검 항목입니다. 검토하지 않은 구간은 숨기지 말고 원음의 시각이나 악보의 구간으로 표시하세요. 예를 들어 “원음 00:20 부근 장식음은 미확인”이라고 적으면 상대가 확인할 위치를 찾기 쉽습니다. 이 시각은 설명을 위한 예시이며 실제 변환 결과를 뜻하지 않습니다. 편집용 전달물은 열기와 수정 가능성을 확인하기 MusicXML을 전달할 때는 상대가 사용하는 프로그램에서 파일이 열리는지, 음표 한 개를 선택해 수정할 수 있는지, 수정본을 별도 파일로 저장할 수 있는지 확인하도록 요청합니다. 가져오기 성공과 채보 정확도는 별개의 점검입니다. 함께 보낼 기준 PDF가 있다면 파일명에 같은 버전을 사용하세요. 원음도 공유한다면 공유 권한이 있는 파일만 포함합니다. 재편집된 악보는 원본 결과물과 다른 이름으로 저장해 어떤 수정이 들어갔는지 남깁니다. 바로 복사해 쓸 수 있는 전달 메모 다음은 아직 검증하지 않은 작업을 위한 빈 템플릿입니다. 실제 확인을 마친 항목만 완료로 바꾸세요. 작업명: 버전 및 날짜: 받는 사람의 용도: 읽기 / 편집 / 데이터 활용 기준 파일: 함께 보낸 파일: 원음 공유 권한 확인: 사용할 악보 프로그램과 버전: 검토 상태: 미검토 초안 확인이 필요한 구간: 다음 확인 담당자: 좋은 전달은 “변환됐습니다”에서 끝나지 않습니다. 상대가 어떤 파일로 무엇을 해야 하는지, 어디까지 확인되었는지 알 수 있어야 다음 작업을 시작할 수 있습니다.

Балл: 54.4Уверенность: 49%

[아티클 #10] Codex에 앱스토어 1위 게임 만들라 했더니, 진짜 1위 했다

velog

Codex에 앱스토어 1위 게임 만들라 했더니, 진짜 1위 했다 가장 인상 깊은 내용 제가 앱을 만들 때 저만의 노하우가 하나 있는데요. 바로 Codex에서 개발을 시작하지 않는 거예요. 먼저 ChatGPT와 함께 기획을 굉장히 구체적으로 만들어요. 예를 들어, “이런 야구 시뮬레이션 게임을 만들고 싶은데, 같이 기획서를 만들어보자. 나를 인터뷰해 줘”라고 시작합니다. 그러면 AI가 저한테 계속 질문을 던지고 게임을 누구를 대상으로 만들건지부터 기능, 플레이 방식, 수익화까지 하나씩 물어보죠. 많을 때는 정말 수십 개의 질문을 받을 때도 있는데요. 그 질문에 대답하다 보면, 머릿속에서 막연하게 생각한 아이디어가 구체적인 기획서가 되더라고요. 그래서 저는 앱 개발 단계에서 기획의 중요성이 90% 이상이라고 생각해요. 비판적 읽기 앱 초창기에는 Problem → Concept → Spec → Build 중 앞부분이 매우 중요할 수 있다. 하지만 사용자가 많아지고 코드베이스가 커지면? QA, 데이터 인프라, 운영, 보안, 성능, 배포, 고객지원 등의 중요성이 급격히 커진다. 나의 생각 AI를 통한 기획 리스크 검토 일종의 '레드팀', '악마의 변호인'을 두는 것이다. “이 기획이 실패하는 이유를 20개 찾아라” “가장 위험한 가정을 순위로 만들어서 보여라” “내가 확인하지 않은 사용자 행동은 무엇인가?” 유용한 지식 ChatGPT와 기획을 충분히 구체화한다. 기획 결과를 MD 문서를 모두 하나의 Zip 파일로 묶는다. 그 문서를 Codex에 넘긴다. 이미지 생성 기능을 활용해 여러 화면 콘셉트를 만든다. 여러 안을 보고 “A의 이 부분 + B의 저 부분”처럼 좋은 부분을 선택한다. 선택한 방향을 다시 하나의 화면으로 통합한다. 색상·타이포그래피·컴포넌트 등 디자인 시스템을 문서화한다. 그 디자인 시스템과 레퍼런스를 기준으로 실제 UI를 구현한다. 반복하면서 디자인 용어도 익히고, 더 정확한 지시를 할 수 있게 된다.

Балл: 54.4Уверенность: 49%

NestJs 와 Spring에서 @Transactional 의 차이를 비교해보자

velog

들어가며 Spring으로 개발하다 보면 @Transactional 은 거의 공기 같은 존재다. 서비스 메서드 위에 한 줄 붙이면 커밋과 롤백은 프레임워크가 알아서 처리해 준다. 그런데 NestJS로 넘어오면 이야기가 달라진다. NestJS 코어에는 @Transactional 이 없다. 공식 문서에서 안내하는 방법은 TypeORM의 DataSource.transaction() 이나 QueryRunner 를 직접 다루는 것이고, 선언적 트랜잭션을 쓰고 싶다면 서드파티 라이브러리를 골라야 한다. 이 글에서는 NestJS 진영에서 가장 많이 쓰이는 @nestjs-cls/transactional (+ TypeORM 어댑터)을 기준으로, Spring의 @Transactional 과 어떻게 다르게 동작하는지 실제 소스 코드를 따라가며 비교해 본다. 1. Spring의 @Transactional은 어떻게 동작하는가 1-1. 프록시와 TransactionInterceptor Spring은 @Transactional 이 붙은 빈을 그대로 등록하지 않고, AOP 프록시로 감싸서 등록한다. 외부에서 메서드를 호출하면 프록시가 먼저 호출을 받고, 그 안의 TransactionInterceptor 가 트랜잭션 처리를 담당한다. // spring-tx: TransactionInterceptor.java public class TransactionInterceptor extends TransactionAspectSupport implements MethodInterceptor, Serializable { @Override public @Nullable Object invoke(MethodInvocation invocation) throws Throwable { // 프록시 뒤에 있는 실제 대상 클래스 Class<?> targetClass = (invocation.getThis() != null ? AopUtils.getTargetClass(invocation.getThis()) : null); // 실제 트랜잭션 처리는 부모 클래스인 TransactionAspectSupport에 위임 return invokeWithinTransaction(invocation.getMethod(), targetClass, new InvocationCallback() { @Override public @Nullable Object proceedWithInvocation() throws Throwable { return invocation.proceed(); // 원래 서비스 메서드 호출 } // ... (중략) }); } } 1-2. invokeWithinTransaction: 시작, 커밋, 롤백 핵심은 TransactionAspectSupport.invokeWithinTransaction() 이다. 구조만 보면 우리가 손으로 짜던 try-catch-finally 트랜잭션 코드와 같다. // spring-tx: TransactionAspectSupport.java protected @Nullable Object invokeWithinTransaction(Method method, @Nullable Class<?> targetClass, final InvocationCallback invocation) throws Throwable { // @Transactional에 적힌 속성(propagation, isolation, rollbackFor 등)을 읽어온다 TransactionAttributeSource tas = getTransactionAttributeSource(); final TransactionAttribute txAttr = (tas != null ? tas.getTransactionAttribute(method, targetClass) : null); final TransactionManager tm = determineTransactionManager(txAttr, targetClass); // ... (중략: Reactive 트랜잭션 분기) PlatformTransactionManager ptm = asPlatformTransactionManager(tm); final String joinpointIdentification = methodIdentification(method, targetClass, txAttr); if (txAttr == null || !(ptm instanceof CallbackPreferringPlatformTransactionManager cpptm)) { // 1. 트랜잭션 시작 (필요하다면) TransactionInfo txInfo = createTransactionIfNecessary(ptm, txAttr, joinpointIdentification); Object retVal; try { // 2. 실제 비즈니스 로직 실행 retVal = invocation.proceedWithInvocation(); } catch (Throwable ex) { // 3-1. 예외 발생 시 롤백 (또는 롤백 규칙에 따라 커밋) completeTransactionAfterThrowing(txInfo, invocation, ex); throw ex; } finally { cleanupTransactionInfo(txInfo); } // ... (중략: Future, Vavr Try 반환값 처리) // 3-2. 정상 종료 시 커밋 commitTransactionAfterReturning(txInfo); return retVal; } // ... (중략: CallbackPreferringPlatformTransactionManager 분기) } 여기서 눈여겨볼 부분은 예외 처리다. completeTransactionAfterThrowing() 은 모든 예외에 롤백하지 않는다. // spring-tx: TransactionAspectSupport.java protected void completeTransactionAfterThrowing( @Nullable TransactionInfo txInfo, InvocationCallback invocation, Throwable ex) { if (txInfo != null && txInfo.getTransactionStatus() != null) { // 롤백 대상 예외인지 확인 if (txInfo.transactionAttribute != null && txInfo.transactionAttribute.rollbackOn(ex)) { txInfo.getTransactionManager().rollback(txInfo.getTransactionStatus()); // ... (중략) } else { // 롤백 대상이 아니면 커밋한다 txInfo.getTransactionManager().commit(txInfo.getTransactionStatus()); // ... (중략) } } } // spring-tx: DefaultTransactionAttribute.java public boolean rollbackOn(Throwable ex) { // 기본 규칙: Unchecked 예외(RuntimeException)와 Error만 롤백 return (ex instanceof RuntimeException || ex instanceof Error); } 즉 Spring은 기본적으로 Checked Exception이 발생하면 롤백하지 않고 커밋한다. 이 부분은 뒤에서 NestJS와 비교할 때 다시 등장한다. 1-3. 커넥션은 어디에 보관되는가: ThreadLocal 트랜잭션을 시작했다면, 같은 트랜잭션 안의 Repository들은 모두 같은 커넥션을 써야 한다. 그런데 Spring에서는 서비스가 Repository에 커넥션을 넘겨주지 않는다. 그럼 Repository는 커넥션을 어떻게 찾을까? 답은 TransactionSynchronizationManager 의 ThreadLocal 이다. // spring-jdbc: DataSourceTransactionManager.java protected void doBegin(Object transaction, TransactionDefinition definition) { DataSourceTransactionObject txObject = (DataSourceTransactionObject) transaction; Connection con = null; try { if (!txObject.hasConnectionHolder() || txObject.getConnectionHolder().isSynchronizedWithTransaction()) { // 커넥션 풀에서 커넥션 획득 Connection newCon = obtainDataSource().getConnection(); // ... (중략) txObject.setConnectionHolder(new ConnectionHolder(newCon), true); } txObject.getConnectionHolder().setSynchronizedWithTransaction(true); con = txObject.getConnectionHolder().getConnection(); // ... (중략: 격리 수준, readOnly 설정) // auto commit 해제 = 트랜잭션 시작 if (con.getAutoCommit()) { txObject.setMustRestoreAutoCommit(true); con.setAutoCommit(false); } // ... (중략: timeout 설정) // 현재 스레드에 커넥션을 바인딩 if (txObject.isNewConnectionHolder()) { TransactionSynchronizationManager.bindResource(obtainDataSource(), txObject.getConnectionHolder()); } } // ... (중략) } // spring-tx: TransactionSynchronizationManager.java public abstract class TransactionSynchronizationManager { // 트랜잭션 리소스(커넥션 등)를 스레드별로 보관하는 저장소 private static final ThreadLocal<Map<Object, Object>> resources = new NamedThreadLocal<>("Transactional resources"); // ... (중략) } 그리고 JdbcTemplate 같은 데이터 접근 계층은 커넥션이 필요할 때 이 ThreadLocal부터 확인한다. // spring-jdbc: DataSourceUtils.java public static Connection doGetConnection(DataSource dataSource) throws SQLException { // 현재 스레드에 바인딩된 커넥션이 있으면 그것을 사용 ConnectionHolder conHolder = (ConnectionHolder) TransactionSynchronizationManager.getResource(dataSource); if (conHolder != null && (conHolder.hasConnection() || conHolder.isSynchronizedWithTransaction())) { conHolder.requested(); // ... (중략) return conHolder.getConnection(); } // 없으면 새 커넥션을 가져온다 // ... (중략) } 정리하면 Spring의 @Transactional 은 다음 흐름으로 동작한다. 프록시가 호출을 가로챈다 ( TransactionInterceptor ) 트랜잭션 매니저가 커넥션을 얻고 auto commit을 끈 뒤, 커넥션을 ThreadLocal에 바인딩 한다 Repository는 ThreadLocal에서 커넥션을 꺼내 쓴다 (서비스 코드는 커넥션을 몰라도 된다) 결과에 따라 커밋 또는 롤백하고 ThreadLocal을 정리한다 Spring MVC는 요청 하나를 스레드 하나가 처리하는 모델이기 때문에, "트랜잭션 = 현재 스레드"라는 가정이 자연스럽게 성립한다. 2. NestJS에는 왜 @Transactional이 없을까 2-1. TypeORM의 트랜잭션은 콜백 방식이다 NestJS에서 TypeORM을 쓰면 트랜잭션은 보통 이렇게 작성한다. await this.dataSource.transaction(async (manager) => { // 반드시 콜백으로 전달받은 manager를 사용해야 같은 트랜잭션으로 묶인다 await manager.save(user); await manager.save(account); }); DataSource.transaction() 은 내부적으로 EntityManager.transaction() 을 호출하고, 그 구현은 다음과 같다. // typeorm: EntityManager.ts async transaction<T>( isolationOrRunInTransaction: IsolationLevel | ((entityManager: EntityManager) => Promise<T>), runInTransactionParam?: (entityManager: EntityManager) => Promise<T>, ): Promise<T> { // ... (중략: 인자 파싱) // 트랜잭션 전용 커넥션(QueryRunner) 생성 const queryRunner = this.queryRunner ?? this.dataSource.createQueryRunner(); try { await queryRunner.startTransaction(isolation); // 이 QueryRunner에 묶인 EntityManager를 콜백에 넘겨준다 const result = await runInTransaction(queryRunner.manager); await queryRunner.commitTransaction(); return result; } catch (err) { try { // 어떤 에러든 롤백 await queryRunner.rollbackTransaction(); } catch (rollbackError) {} throw err; } finally { if (!this.queryRunner) await queryRunner.release(); } } 흐름 자체는 Spring의 invokeWithinTransaction() 과 똑같다. 차이는 트랜잭션에 묶인 커넥션( queryRunner.manager )을 콜백 인자로 넘긴다 는 점이다. 같은 트랜잭션으로 묶고 싶은 모든 코드가 이 manager 를 직접 받아서 써야 한다. 서비스가 여러 Repository를 호출하는 구조라면 manager 를 계속 파라미터로 내려보내야 하고, Repository 메서드 시그니처가 트랜잭션 때문에 오염된다. 2-2. ThreadLocal을 쓸 수 없는 이유 "Spring처럼 현재 실행 흐름에 커넥션을 붙여두면 되지 않나?"라는 생각이 들 수 있다. 그런데 Node.js는 싱글 스레드 이벤트 루프 위에서 여러 요청이 await 단위로 번갈아 실행된다. 요청 A가 await 로 DB 응답을 기다리는 동안 같은 스레드에서 요청 B가 실행되기 때문에, "현재 스레드"에 무언가를 저장하는 방식은 요청 간에 값이 섞여 버린다. 그래서 Node.js에서는 ThreadLocal 대신 AsyncLocalStorage 를 쓴다. AsyncLocalStorage는 스레드가 아니라 비동기 호출 체인 을 따라 값을 전파한다. als.run(store, callback) 안에서 시작된 모든 비동기 작업(await, Promise, setTimeout 등)은 같은 store를 보게 된다. @nestjs-cls/transactional 은 바로 이 AsyncLocalStorage 위에 Spring 스타일의 @Transactional 을 구현한 라이브러리다. 3. @nestjs-cls/transactional은 어떻게 동작하는가 3-1. 사용법 먼저 사용하는 모습부터 보자. (공식 문서의 TypeORM 어댑터 예제) // app.module.ts ClsModule.forRoot({ plugins: [ new ClsPluginTransactional({ imports: [TypeOrmModule], adapter: new TransactionalAdapterTypeOrm({ dataSourceToken: getDataSourceToken(), }), }), ], }), // user.service.ts @Injectable() class UserService { constructor(private readonly userRepository: UserRepository) {} @Transactional() async runTransaction() { // 두 메서드가 같은 트랜잭션에서 실행된다 const user = await this.userRepository.createUser('John'); const foundUser = await this.userRepository.getUserById(user.id); } } // user.repository.ts @Injectable() class UserRepository { constructor( private readonly txHost: TransactionHost<TransactionalAdapterTypeOrm>, ) {} async getUserById(id: number) { // txHost.tx는 EntityManager 타입 // 트랜잭션 중이면 트랜잭션용 EntityManager, 아니면 기본 EntityManager return await this.txHost.tx.getRepository(User).findOneBy({ id }); } // ... (중략) } 서비스 코드는 Spring과 거의 같아졌다. 다만 Repository가 txHost.tx 를 통해 EntityManager를 꺼내 쓴다는 점이 다르다. Spring의 DataSourceUtils.getConnection() 이 ThreadLocal에서 커넥션을 꺼내던 역할을 txHost.tx 가 대신한다고 보면 된다. 3-2. @Transactional 데코레이터: 프록시가 아니라 메서드 교체 // nestjs-cls: transactional.decorator.ts export function Transactional(firstParam?: any, secondParam?: any, thirdParam?: any): MethodDecorator { // ... (중략: connectionName, propagation, options 파싱) return ((target, propertyKey, descriptor) => { const original = descriptor.value; // 원래 메서드 // ... (중략: 함수가 아니면 에러) // 클래스 정의 시점에 메서드 자체를 Proxy로 교체한다 descriptor.value = new Proxy(original, { apply: function (_, outerThis, args: any[]) { const transactionHost = TransactionHost.getInstance(connectionName); // 원래 메서드를 트랜잭션 안에서 실행 return transactionHost.withTransaction( propagation as Propagation, options as never, original.bind(outerThis, ...args), ); }, }); copyMethodMetadata(original, descriptor.value); }) as MethodDecorator; } Spring은 빈 객체를 프록시로 감싸는 방식이고, nestjs-cls는 데코레이터가 클래스 프로토타입의 메서드 자체를 바꿔치기 하는 방식이다. 이 차이가 뒤에서 설명할 self-invocation 문제의 유무로 이어진다. javascript 에서 클래스는 Java에서의 클래스와는 조금 다르다. javascript 는 프로토타입이

[프로그래머스] Lv.0 덧셈식 출력하기

velog

문제 설명 제한 사항 1 ≤ a, b ≤ 100 입출력 예 입력 #1 4 5 출력 #1 4 + 5 = 9 풀이 * ⭐️풀이 1: * a, b = map(int, input().strip().split(' ')) print(f"{a} + {b} = {a + b}") * 풀이 2: * a, b = map(int, input().strip().split(' ')) print(a, '+', b,'=',a+b) * 풀이 3: * a, b = map(int, input().strip().split(' ')) c = a + b print(a, "+", b, "=", c) 핵심💡 f-string을 사용하면 문자열 안에 변수와 계산식을 {}로 넣어 간단하게 출력할 수 있다.

Балл: 54.4Уверенность: 49%

Alternativa gratuita ao AnswerThePublic: um site parecido para pesquisar perguntas sem pagar

velog

Por Leander Van Linthout Publicado em 5 de outubro de 2026 O SQSEO é uma alternativa gratuita ao AnswerThePublic para pesquisar perguntas e palavras-chave de cauda longa, com pesquisa básica sem cartão de crédito e exportação em CSV. É um ponto de partida para quem precisa transformar um tema em ideias organizadas por intenção. Também vale experimentar AlsoAsked, QuestionDB e a pesquisa manual do Google, respeitando os limites de cada opção. A escolha depende do trabalho: descobrir dúvidas, explorar relações entre perguntas ou preparar uma apresentação visual. Antes de escrever, confirme se as sugestões correspondem ao seu mercado e às necessidades dos seus compradores. O que procurar num site parecido com o AnswerThePublic? Procure uma ferramenta que encontre perguntas relevantes para o seu mercado e permita guardar os resultados. Uma lista extensa só ajuda quando você consegue separar dúvidas informativas, comparações e perguntas próximas da compra. Antes de escolher, confirme três condições: se a pesquisa funciona em português, se permite definir o país e se o acesso gratuito continua disponível depois do primeiro teste. “Começar grátis” pode significar uma experiência temporária, créditos limitados ou uma função básica gratuita de forma contínua. Confira também o que cada resultado representa. Uma sugestão de pesquisa, uma pergunta recolhida numa comunidade e um prompt proposto por IA são sinais diferentes. Não devem receber automaticamente a mesma prioridade. Por exemplo, “como limpar uma cafeteira” aponta para manutenção. “Cafeteira de cápsulas ou espresso” indica comparação. “Qual cafeteira comprar para um escritório” envolve contexto de utilização e escolha de produto. As três perguntas podem interessar à mesma empresa, mas pedem respostas e páginas diferentes. Para quem publica poucos artigos por mês, eu daria prioridade à qualidade das perguntas e à possibilidade de organizar a lista. Um mapa visual ajuda numa apresentação, mas não substitui a decisão sobre o que escrever. Outra condição prática é conseguir repetir a pesquisa sem perder o trabalho anterior. Guarde a palavra-chave inicial, o país, a data e os resultados escolhidos. Isso permite comparar novas sugestões com as antigas e perceber se surgiu uma dúvida diferente ou apenas outra forma de escrever a mesma coisa. Quais alternativas gratuitas vale a pena experimentar? Comece pelo SQSEO para organizar perguntas e consultas de cauda longa; use outras fontes para complementar ou confirmar a pesquisa. AlsoAsked e QuestionDB atendem a necessidades diferentes, enquanto o próprio Google permite uma verificação manual sem assinatura. SQSEO Quando escolher: organizar consultas por intenção. Acesso gratuito: pesquisa básica gratuita. Atenção principal: pontuações são estimativas. AnswerThePublic Quando escolher: explorar mapas visuais de temas. Acesso gratuito: pesquisas diárias limitadas. Atenção principal: conferir o limite da conta. AlsoAsked Quando escolher: explorar perguntas relacionadas do Google. Acesso gratuito: créditos mensais gratuitos. Atenção principal: créditos podem acabar. QuestionDB Quando escolher: complementar ideias com diferentes fontes. Acesso gratuito: plano gratuito limitado. Atenção principal: conferir recursos incluídos. Google manual Quando escolher: validar perguntas antes de escrever. Acesso gratuito: pesquisa sem assinatura. Atenção principal: organização exige trabalho manual. As condições gratuitas devem ser verificadas antes de montar uma rotina que dependa delas. As páginas oficiais distinguem pesquisa básica gratuita, créditos e limites de utilização. AlsoAsked: quando você precisa relacionar perguntas O AlsoAsked merece atenção quando o objetivo é explorar perguntas relacionadas e entender possíveis caminhos de aprofundamento. A página oficial confirma créditos mensais gratuitos para pessoas sem conta. Isso permite experimentar o serviço, mas não significa utilização ilimitada. Use-o para uma investigação pontual antes de preparar um artigo. Se a sua rotina envolve muitos temas, confira o saldo disponível antes de depender dele para todo o calendário editorial. QuestionDB: quando você quer uma segunda fonte O QuestionDB apresenta uma ferramenta de pesquisa que reúne perguntas e informações de fontes como resultados do Google, Reddit e Quora. O plano gratuito tem limites; recursos apresentados nos planos pagos não devem ser assumidos como gratuitos. Escolha-o para comparar sugestões com a sua lista principal e identificar maneiras diferentes de formular uma dúvida. Ao encontrar uma pergunta de comunidade, procure o contexto original antes de interpretar aquilo como procura generalizada. Google: quando a prioridade é confirmar a intenção A pesquisa manual serve para observar sugestões de preenchimento automático, perguntas relacionadas e o formato das páginas que aparecem. Pesquise a pergunta completa. Se os resultados principais forem tutoriais, uma página comercial curta provavelmente não responde à necessidade. Se predominarem páginas de produtos, talvez a resposta deva estar numa categoria ou num guia de compra. Como pesquisar perguntas sem pagar, passo a passo? Escolha um tema específico, defina o mercado e recolha perguntas antes de avaliar quais merecem conteúdo. Essa sequência evita gastar tempo com listas extensas que não correspondem ao seu negócio. 1. Comece com uma palavra-chave semente concreta Use um produto, serviço ou problema reconhecível. “Marketing” é amplo; “email marketing para lojas online” oferece um contexto mais útil. Para uma loja de café, algumas sementes possíveis seriam “cafeteira”, “café em grão” e “moedor de café”. São exemplos de planeamento, não resultados de uma pesquisa realizada. Faça pesquisas separadas para cada tema. Misturar produtos diferentes numa única semente dificulta perceber quais dúvidas pertencem à mesma página. 2. Defina país, idioma e público Português não corresponde a um único mercado. Uma empresa que vende apenas em Portugal precisa de perguntas relevantes para esse contexto; uma loja brasileira deve investigar a linguagem dos seus compradores. Mantenha essas configurações iguais ao comparar ferramentas. Caso contrário, diferenças nos resultados podem vir do mercado escolhido, e não da qualidade da plataforma. Se atende vários países, guarde listas separadas. Junte-as apenas depois de verificar quais perguntas realmente compartilham a mesma resposta. 3. Separe perguntas por intenção Crie grupos simples: aprender, resolver um problema, comparar e comprar. “Como funciona uma cafeteira de cápsulas?” pertence ao primeiro grupo. “Por que a cafeteira não aquece?” pertence ao segundo. “Cápsulas ou café em grão?” pertence ao terceiro. A classificação ajuda a escolher o formato. Um problema operacional pede instruções; uma comparação pede critérios; uma pergunta de compra pede opções, limites e contexto. 4. Guarde uma lista curta e verificável Selecione inicialmente perguntas que tenham relação direta com a sua oferta e que você consiga responder com conhecimento próprio. Registe a pergunta, a origem, a data, a intenção e a página candidata. Exporte os resultados quando essa função estiver incluída ou copie manualmente a seleção. Não é necessário importar tudo para outra plataforma. Uma lista curta, com decisões claras, vale mais do que um documento cheio de perguntas sem destino. Como saber se uma pergunta tem procura real? Cruze mais de um sinal antes de investir num conteúdo. A presença numa ferramenta é um ponto de partida, não uma prova de volume elevado, intenção comercial ou facilidade para aparecer no Google. A documentação do Google explica que o preenchimento automático não apresenta simplesmente as pesquisas mais frequentes. As sugestões dependem de fatores e filtros próprios, por isso não funcionam como uma classificação absoluta da procura. O Google Trends explica como normaliza os seus dados: os valores representam interesse relativo, numa escala de zero a cem. Uma pontuação elevada não equivale a um número específico de pesquisas mensais. Use o Trends para comparar interesse ao longo do tempo, mantendo país e período consistentes. Quando uma pergunta muito específica não gera dados, teste o tema mais amplo. A ausência de um gráfico não prova que ninguém tem aquela dúvida. Relação com o negócio Compare a pergunta com a oferta. Exclua temas sem utilidade. Confirmação da dúvida Procure sinais em mais de uma fonte. Priorize perguntas recorrentes. Intenção dos resultados Pesquise a frase completa. Escolha o formato da página. Conteúdo existente Reveja páginas já publicadas. Atualize antes de duplicar. Capacidade de resposta Identifique exemplos e provas próprias. Publique o que pode sustentar. Resultado esperado Defina uma ação útil do leitor. Meça mais do que visitas. Se já recebe perguntas no atendimento, use-as como evidência complementar. Uma dúvida repetida antes da compra pode merecer uma resposta mesmo quando as ferramentas mostram pouco volume. Mantenha também a diferença entre interesse e oportunidade. Uma pergunta popular pode ser inadequada para a empresa; uma dúvida específica pode ajudar diretamente o comprador que você quer atender. Como transformar as perguntas num artigo útil? Agrupe perguntas que compartilham a mesma intenção e responda à dúvida principal logo no início. As perguntas secundárias devem aprofundar a resposta, sem transformar a página numa coleção de assuntos desconexos. Imagine uma loja que vende moedores de café. Uma seleção hipotética poderia incluir “qual moedor escolher para espresso”, “moedor manual serve para espresso” e “por que a moagem fica irregular”. As duas primeiras podem integrar um guia de escolha. A terceira talvez precise de uma página sobre ajustes e manutenção. Publicar tudo junto só porque aparece na mesma pesquisa pode enfraquecer a utilidade do conteúdo. Para cada grupo, prepare um plano simples: Pergunta principal que a página resolve. Perfil de quem faz essa pergunta. Resposta direta em poucas frases. Critér

¿Qué sabe ChatGPT de mi marca? Cómo hacer un brand check y auditar tu reputación gratis

velog

Por Leander Van Linthout Publicado el 5 de octubre de 2026 Preguntar a ChatGPT por tu empresa puede revelar una descripción correcta, información antigua, confusión con otra marca o una respuesta que reconoce no tener suficientes datos. Cada resultado señala un problema distinto y requiere una comprobación diferente. Un brand check consiste en revisar cómo describe ChatGPT tu marca, qué afirmaciones hace y qué fuentes utiliza cuando busca en la web. Puedes realizar una primera auditoría sin contratar una plataforma: necesitas preguntas consistentes, una hoja de registro y datos oficiales con los que contrastar las respuestas. La clave es interpretar bien el resultado. Una respuesta aislada no representa toda tu reputación digital, y aparecer en una recomendación no demuestra que tu marca tenga una posición estable. ¿Qué significa que ChatGPT “sepa” algo de tu marca? La expresión es útil para formular la pregunta, pero puede llevar a conclusiones equivocadas. Una respuesta puede combinar información aprendida durante el entrenamiento, datos recuperados mediante búsqueda y contexto que tú has proporcionado durante la conversación. ChatGPT puede buscar información actual en la web y acompañar sus respuestas con citas. La memoria, cuando está activada, puede influir en la reformulación de las consultas de búsqueda. Por eso conviene registrar cómo se realizó cada prueba. Además, ChatGPT puede equivocarse e incluso generar referencias inexistentes. Una explicación convincente necesita verificación, especialmente cuando atribuye a tu empresa precios, certificaciones, resultados o características concretas. Para auditar una marca, diferencia tres situaciones: Reconocimiento: identifica correctamente la empresa cuando mencionas su nombre. Recomendación: la incluye en una respuesta sobre una necesidad o categoría. Citación: utiliza una página de la marca o una fuente que habla de ella para respaldar una afirmación. Puedes obtener reconocimiento sin recomendaciones, recomendaciones sin enlaces y citas que no impliquen una valoración positiva. Qué puedes comprobar con una auditoría gratuita Un brand check permite detectar errores observables y establecer una referencia inicial para comparaciones posteriores. Identidad Comprueba el nombre, la actividad, la ubicación y el dominio. La señal que merece revisión es que confunda tu empresa con otra. Oferta Comprueba los productos, los servicios y el público objetivo. La señal que merece revisión es que atribuya servicios que no prestas. Actualidad Comprueba los precios, la disponibilidad y la cobertura. La señal que merece revisión es que presente datos antiguos como vigentes. Reputación Comprueba las valoraciones y los motivos que las respaldan. La señal que merece revisión son los elogios o las críticas sin evidencia verificable. Comparación Comprueba las diferencias frente a competidores. La señal que merece revisión son las comparaciones basadas en características incorrectas. Fuentes Comprueba las páginas citadas y su relación con la afirmación. La señal que merece revisión es que la página no respalde lo que dice la respuesta. Esta revisión tiene límites. No permite inspeccionar todo el conocimiento interno del modelo, calcular cuántas personas reciben una respuesta determinada ni medir automáticamente tu reputación en todas las plataformas de IA. En SQSEO, una auditoría útil debe terminar con incidencias concretas: qué dato falla, dónde aparece, cómo se comprobó y qué puedes corregir. Cómo hacer un brand check gratis paso a paso 1. Prepara una ficha oficial de tu empresa Antes de preguntar, reúne los datos que usarás para verificar las respuestas: Nombre comercial y posibles variantes. Dominio oficial. Actividad principal. Productos o servicios actuales. Países, ciudades o zonas atendidas. Precios publicados, cuando existan. Condiciones importantes de compra o contratación. Certificaciones y credenciales comprobables. Esta ficha funciona como referencia interna. No la pegues en la conversación antes de la primera prueba: si proporcionas todos los datos, estarás evaluando cómo ChatGPT utiliza tu descripción. La ficha también ayuda a detectar discrepancias en tus propios materiales. Si tu web presenta dos versiones distintas del mismo servicio, resuelve esa contradicción antes de interpretar el resultado de la auditoría. 2. Define las condiciones de la prueba Abre una conversación nueva y registra las condiciones relevantes: fecha, idioma, modelo si aparece identificado, uso de búsqueda y ajustes de personalización. Evita realizar la auditoría dentro de una conversación donde ya has explicado tu empresa o pedido que se recomiende. Para reducir la influencia de conversaciones anteriores, puedes revisar los ajustes de memoria y utilizar un chat temporal. Comprueba también si tienes instrucciones personalizadas que puedan orientar la respuesta. Si quieres comparar pruebas, mantén condiciones similares. Un resultado en español para España y otro en inglés para Estados Unidos responden a contextos distintos. 3. Pregunta por la marca sin proporcionar su descripción Empieza con una consulta abierta: ¿Qué sabes de [marca]? Explica a qué se dedica y distingue los datos que puedes respaldar de aquellos sobre los que tienes dudas. Guarda la respuesta completa antes de corregirla o hacer preguntas adicionales. Observa si identifica la empresa, reconoce incertidumbre o mezcla negocios con nombres parecidos. Si existe ambigüedad, realiza después otra prueba incluyendo el dominio: ¿Qué sabes de [marca], cuyo dominio oficial es [dominio]? Describe su actividad y señala cualquier dato que no puedas verificar. Registra ambas respuestas por separado. Añadir el dominio ayuda a desambiguar, pero cambia las condiciones del test. 4. Haz una prueba con búsqueda web En una conversación independiente, utiliza la búsqueda disponible en tu cuenta y pregunta: Busca información pública actual sobre [marca] en [país]. Resume su actividad, sus servicios y los datos que puedas verificar. Cita las páginas utilizadas y señala posibles contradicciones. Abre las citas y comprueba que respaldan la afirmación asociada. Revisa también la fecha y la identidad de la empresa mencionada. Una cita puede conducir a una página real que, aun así, no confirme el dato concreto. No des por hecho que todas las fuentes relevantes aparecerán en una sola respuesta. 5. Comprueba qué ocurre cuando no mencionas tu marca El reconocimiento directo y la presencia en recomendaciones son pruebas diferentes. Formula preguntas que representen necesidades reales de tus clientes: ¿Qué empresas ofrecen [servicio] para [tipo de cliente] en [zona]? ¿Qué opciones debería comparar para resolver [problema] con [restricción concreta]? ¿Qué criterios debería utilizar para elegir un proveedor de [categoría]? No incluyas tu marca en estas consultas iniciales. Si lo haces, introduces la entidad que estás intentando observar. Registra si aparece, cómo la describe y si aporta una fuente. Cuando no aparezca, anota la ausencia sin convertirla automáticamente en una conclusión sobre toda tu visibilidad. 6. Revisa reputación y comparaciones sin inducir la respuesta Una pregunta como “¿por qué mi empresa es la mejor?” invita a desarrollar una premisa favorable. “¿Qué problemas tiene mi empresa?” puede orientar la búsqueda hacia información negativa. Utiliza una formulación equilibrada: ¿Qué información pública verificable existe sobre la reputación de [marca]? Separa las opiniones de usuarios, las afirmaciones de la empresa y los hechos documentados. Si la evidencia es insuficiente, indícalo. Para comparar alternativas: Compara [marca A] y [marca B] para [necesidad]. Utiliza criterios verificables y señala qué información falta para llegar a una conclusión. Comprueba si las críticas se refieren a hechos documentados, experiencias individuales, datos antiguos o una empresa diferente. Cómo registrar resultados y medir cambios Una hoja de cálculo gratuita es suficiente para una auditoría manual. Guarda el texto exacto de cada pregunta y de cada respuesta, además de las condiciones de la prueba. Fecha y contexto Registra el día, el idioma, el mercado, el modelo visible y el uso de búsqueda. Esto sirve para comparar pruebas similares. Pregunta exacta Registra el texto completo del prompt. Esto sirve para repetir el mismo test. Mención Registra si aparece la marca y cómo se identifica. Esto sirve para medir presencia dentro de la muestra. Afirmaciones Registra los datos correctos, incorrectos y no verificables. Esto sirve para detectar incidencias. Fuentes Registra la página citada y el dato que respalda. Esto sirve para comprobar trazabilidad. Acción Registra la corrección propuesta, el responsable y el estado. Esto sirve para convertir el diagnóstico en trabajo concreto. Puedes calcular métricas sencillas, siempre indicando qué muestra estás utilizando. Presencia en la muestra: respuestas que mencionan tu marca divididas entre respuestas evaluadas, multiplicado por 100. Exactitud factual: afirmaciones verificadas como correctas divididas entre afirmaciones comprobadas, multiplicado por 100. Respaldo de citas: afirmaciones citadas cuya fuente respalda el dato divididas entre afirmaciones citadas revisadas, multiplicado por 100. No mezcles consultas de marca con preguntas genéricas de recomendación al calcular presencia: responden a objetivos distintos. Por ejemplo, si tu empresa aparece en 6 de 20 respuestas a preguntas genéricas, su presencia en esa muestra es del 30 %. Eso no significa que aparezca ante el 30 % de todos los usuarios de ChatGPT. Tampoco conviene interpretar una variación pequeña como una tendencia definitiva. Repite un conjunto estable de preguntas y examina los cambios junto con las fuentes y los errores detectados. Cómo corregir los problemas encontrados Si confunde tu empresa con otra Refuerza la identificación en las páginas principales. Explica claramente el nombre de la marca, su actividad, ubicación y dominio. Revisa también perfiles e

막화장실 위험구역 5번 구역 화장실

velog

이 구역은 막화장실 위험구역에서 가장 작은 구역입니다. 심지어 괴수는 단 한 마리도 서식하지 않습니다. 이 구역은 오직 막클립 만으로 입장할 수 있으며, 최대 인원 수는 1명이라 이미 1명이 들어가있는 상태라면 더 이상 이 구역으로 막클립 되지 않습니다. 이 구역은 3평이고, 조금 큰 일반 화장실의 변기칸 처럼 생겼습니다. 괴수도 없고 안전하지만 문제는 식량도 없다는 것입니다. 결국 이곳에서 다시 탈출할 수 밖에 없죠. 이 구역에서 막클립해서 다른 구역으로 나가려면 변기에 머리를 넣고 막배를 하면 됩니다. 그럼 각각 50퍼센트의 확률로 위험구역 1번 구역 화장실, 위험구역 4번 구역 산책로로 이동합니다.

Балл: 54.39Уверенность: 49%

[투빅스 6주차 논문리뷰] SHOW-O: ONE SINGLE TRANSFORMER TO UNIFY MULTIMODAL UNDERSTANDING AND GENERATION

velog

📅 Date : 2026.10.05 🏷️ Tags : #AI #Multimodal #ShowO #Transformer #Diffusion #PaperReview 🎯 이번 주 논문 소개 Show-o: One Single Transformer to Unify Multimodal Understanding and Generation 은 이미지 이해와 생성을 하나의 Transformer로 수행하는 모델을 제안한 논문이다. 텍스트에는 자기회귀(Autoregressive) 방식을, 이미지에는 이산 확산(Discrete Diffusion) 방식을 적용한다. 이를 통해 이미지 질의응답, 텍스트 기반 이미지 생성, 이미지 일부 수정 및 확장, 텍스트와 이미지가 섞인 출력 등을 지원한다. 핵심은 하나의 모델 안에서 각 모달리티에 적합한 예측 방식을 함께 사용하는 것 이다. 저자: Jinheng Xie et al. · ICLR 2025 이 글은 첨부 논문의 arXiv v7(2025.09.08)을 기준으로 작성했다. 실험 수치는 직접 재현한 결과가 아니라 논문에서 보고한 값이다. 📌 Contents 선행 연구 서론 주요 방법론 실험 결과 결론 및 한계점 인사이트 도출 1️⃣ 선행 연구 ✨ LLaVA: 이미지를 이해하는 언어 모델 LLaVA와 같은 멀티모달 언어 모델은 사전학습된 시각 인코더가 추출한 이미지 특징을 LLM의 입력 공간으로 연결한다. 예를 들어 CLIP의 이미지 특징을 projection으로 변환한 뒤 텍스트와 함께 입력하면, 모델은 이미지에 관한 질문에 텍스트로 답할 수 있다. 이 구조는 이미지 이해에 효과적이지만, 그것만으로 이미지 자체를 생성하는 기능까지 제공하는 것은 아니다. 이미지를 보고 설명하는 능력과 실제 이미지 토큰을 만들어내는 능력은 서로 다른 학습이 필요하다. ✨ Diffusion과 MaskGIT: 이미지를 생성하는 방법 Stable Diffusion과 같은 모델은 노이즈를 점차 제거하면서 이미지를 생성한다. 대표적인 Latent Diffusion은 연속적인 latent 공간에서 이 과정을 수행한다. 반면 MaskGIT은 이미지를 이산 토큰으로 표현하고, 가려진 토큰을 여러 번에 걸쳐 복원한다. 여러 위치의 토큰을 병렬로 예측할 수 있다는 점이 특징이다. Show-o는 이 마스크 토큰 예측을 단순화된 이산 확산으로 사용한다. 따라서 여기서 말하는 diffusion을 연속 latent에 가우시안 노이즈를 넣고 제거하는 방식과 똑같이 이해하면 안 된다. ✨ NExT-GPT와 Chameleon: 이해와 생성의 통합 이해와 생성을 통합하려는 접근에도 차이가 있다. NExT-GPT는 언어 모델과 별도의 사전학습 생성 모델을 연결하는 방식이다. Chameleon은 텍스트와 이미지를 모두 토큰으로 표현하고, 두 종류의 토큰을 자기회귀적으로 생성한다. 접근 이해·생성 통합 방식 Show-o가 주목한 지점 NExT-GPT 언어 모델과 별도의 생성 모델 연결 하나의 Transformer에서 함께 처리할 수 있을까? Chameleon 텍스트·이미지 모두 자기회귀 생성 이미지도 반드시 한 토큰씩 생성해야 할까? Show-o 텍스트는 자기회귀, 이미지는 이산 확산 모달리티별 예측 방식을 하나의 모델 안에 통합 2️⃣ 서론 ✨ 이미지 이해와 생성을 나누어야 할까? 이미지를 보고 답하는 모델과 글을 보고 이미지를 만드는 모델은 각각 발전해 왔다. 하지만 실제 서비스에서는 두 기능이 함께 필요한 경우가 많다. 사용자가 사진을 보여주고 내용을 질문한 뒤, 같은 사진의 일부를 수정해 달라고 요청할 수도 있기 때문이다. 논문은 이해 모델과 생성 모델 모두 Transformer를 활용한다는 점에서 출발한다. 그렇다면 서로 다른 모델을 연결하는 대신, 하나의 Transformer가 두 작업을 담당할 수 있지 않을까? ✨ 통합 모델이라고 생성 방식까지 같아야 하는 것은 아니다 텍스트는 앞서 나온 단어를 바탕으로 다음 단어를 예측하는 자기회귀 방식과 잘 맞는다. 반면 이미지는 여러 공간 위치 사이의 관계가 중요하며, 이미지 토큰을 하나씩 생성하면 토큰 수만큼 순차적인 예측이 필요하다. Show-o의 핵심 아이디어는 모델은 공유하되 텍스트와 이미지의 생성 방식은 다르게 두는 것 이다. 텍스트는 순서대로 생성하고, 이미지는 여러 마스크 토큰을 함께 복원한다. 3️⃣ 주요 방법론 ✨ 1. 텍스트와 이미지를 토큰 시퀀스로 표현하기 출처: Xie et al., Show-o, Figure 2. 하나의 Transformer가 이해, 생성, 혼합 모달 출력을 처리한다. Show-o는 Phi-1.5 기반의 1.3B 모델 이다. 텍스트에는 기존 LLM의 tokenizer를 사용하고, 기본 모델의 이미지에는 MAGVIT-v2를 따르는 이미지 tokenizer를 사용한다. 이미지 tokenizer는 256×256 이미지를 16×16, 즉 256개의 이산 이미지 토큰 으로 변환한다. 각 토큰은 8,192개 코드 중 하나를 나타낸다. 모델의 임베딩 층에는 이를 위한 8,192개의 학습 가능한 임베딩을 추가한다. 여기서 이미지 토큰은 실제 단어가 아니라 이미지 정보를 나타내는 코드다. 이 코드가 임베딩 벡터로 변환되어 Transformer에 입력된다. 생성된 토큰은 이미지 디코더를 거쳐 실제 이미지로 복원된다. 따라서 ‘하나의 Transformer’는 이해와 생성을 담당하는 핵심 모델을 공유한다는 의미이며, 이미지 tokenizer와 decoder까지 없어졌다는 뜻은 아니다. ✨ 2. Unified Prompting: 작업을 입력 형식으로 구분하기 Show-o는 작업을 나타내는 특수 토큰과 텍스트·이미지의 시작 및 종료 토큰을 사용한다. 토큰 의미 [MMU] 멀티모달 이해 작업 [T2I] 텍스트 기반 이미지 생성 작업 [SOT] , [EOT] 텍스트의 시작과 끝 [SOI] , [EOI] 이미지의 시작과 끝 논문의 Figure 4 형식을 간단히 표현하면 다음과 같다. 이미지 이해: [MMU] [SOI] 이미지 토큰 [EOI] [SOT] 텍스트 토큰 [EOT] 이미지 생성: [T2I] [SOT] 텍스트 토큰 [EOT] [SOI] 이미지 토큰 [EOI] 이미지 이해에서는 이미지와 질문을 조건으로 답변을 생성한다. 이미지 생성에서는 텍스트 뒤에 놓인 마스크 이미지 토큰을 복원한다. 작업별 정보를 같은 시퀀스 안에 배치해 하나의 모델이 처리하도록 만든 것이다. ✨ 3. Omni-Attention: 텍스트와 이미지가 정보를 보는 방식 출처: Xie et al., Show-o, Figure 5. 진한 칸은 참조가 허용된 위치, 흰 칸은 차단된 위치다. Omni-Attention은 causal attention과 full attention을 입력 구성에 맞게 결합 한다. 텍스트 토큰: 미래 텍스트를 보지 않도록 causal attention을 적용한다. 같은 이미지 블록의 토큰: 서로의 정보를 참조할 수 있도록 full attention을 적용한다. 모달 간 참조: 이미지 이해에서는 뒤의 텍스트가 앞의 이미지를, 이미지 생성에서는 뒤의 이미지가 앞의 텍스트를 참조한다. 예를 들어 “고양이를 그려줘”라는 텍스트 뒤에 이미지 토큰이 있다면, 이미지 토큰은 앞의 요청과 같은 이미지 안의 다른 위치를 함께 참고한다. 다만 혼합 시퀀스에서 미래의 모든 이미지와 텍스트를 무조건 볼 수 있다는 뜻은 아니다. 시퀀스의 순서와 이미지 블록의 경계를 유지한다. 이전 실습의 ‘누가 누구를 참조하는가’와 연결해 이해할 수 있지만, 구조는 구분해야 한다. Show-o는 별도의 LDM식 Cross-Attention 모듈로 설명하기보다, 통합 시퀀스의 attention mask를 조절하는 구조 로 이해하는 것이 정확하다. 또한 attention 층에 QK-Norm을 적용한다. ✨ 4. 텍스트는 NTP, 이미지는 MTP로 학습하기 텍스트에는 Next Token Prediction(NTP) 을 적용한다. 앞의 텍스트와 조건 이미지를 보고 다음 텍스트 토큰을 예측하는 방식이다. 이미지에는 Mask Token Prediction(MTP) 을 적용한다. 이미지 토큰 일부를 무작위 비율로 가린 뒤, 텍스트와 남아 있는 이미지 토큰을 참고하여 원래 토큰을 복원한다. 이때 이미지 손실은 마스킹된 위치에만 적용한다. 학습 목표는 두 항의 가중 결합이다. 최소화하는 음의 로그우도 손실로 표현하면 다음과 같이 정리할 수 있다. $$ \mathcal{L}=\mathcal{L} {\mathrm{MTP}}+\alpha\mathcal{L} {\mathrm{NTP}} $$ 여기서 α는 텍스트 예측 손실의 비중을 조절한다. 논문 본문의 식 (1), (2)는 최대화하는 로그우도로 서술되어 있으므로, 구현에서 최소화할 때는 부호를 구분해야 한다. ✨ 5. 이미지 생성은 마스크를 반복적으로 복원하는 과정 생성은 이미지 영역을 모두 [MASK] 로 채운 상태에서 시작한다. 입력 텍스트를 조건으로 여러 이미지 위치의 토큰을 병렬 예측한다. 예측 확신도가 낮은 위치를 다시 마스킹한다. 마스크의 수를 점차 줄이면서 예측과 복원을 반복한다. 완성된 이미지 토큰을 디코더로 복원한다. 학습도 단계적으로 진행된다. 먼저 이미지 토큰 임베딩과 이미지 내부 관계를 학습하고, 이어서 텍스트–이미지 정렬을 강화한 뒤, 고품질 이미지·텍스트 및 instruction 데이터로 미세조정한다. 이미지 생성에 필요한 텍스트 조건은 모델 자체가 인코딩한다. 이 마스크 복원 방식은 이미지 편집으로도 연결된다. 수정할 영역의 토큰만 가리면 inpainting , 이미지 바깥 영역에 마스크를 추가하면 extrapolation 을 수행할 수 있다. 논문에서는 이 작업들을 위한 별도 미세조정 없이 활용하는 예시를 제시한다. 4️⃣ 실험 결과 ✨ 1. 이미지 이해: 기본 모델과 CLIP 개선 버전의 차이 아래는 논문 Table 1에서 주요 비교 대상을 발췌한 결과다. Show-o‡는 이미지 이해 입력에 CLIP-ViT의 연속 특징을 사용하는 개선 버전 이다. 모델 파라미터 POPE ↑ MME ↑ VQAv2 ↑ GQA ↑ MMMU ↑ LLaVA-v1.5-Phi-1.5 1.3B 84.1 1128.0 75.3 56.5 30.7 Show-o 1.3B 80.0 1097.2 69.4 58.0 26.7 Show-o‡ 1.3B 84.5 1232.9 74.7 61.0 27.4 기본 Show-o는 GQA에서 비교 모델보다 높지만, VQAv2와 MMMU 등에서는 낮다. 따라서 ‘이미지 이해에서도 모든 지표에서 우수하다’고 해석하기는 어렵다. CLIP 특징을 사용한 Show-o‡는 기본 모델보다 성능이 개선된다. 특히 MME는 1097.2 → 1232.9 , GQA는 58.0 → 61.0 으로 상승한다. 이 결과는 모델의 통합 구조뿐 아니라 어떤 이미지 표현을 입력으로 사용하는지 도 이해 성능에 중요하다는 점을 보여준다. ✨ 2. 이미지 생성: FID와 GenEval FID는 생성 이미지 집합과 실제 이미지 집합의 특징 분포가 얼마나 다른지 측정하며, 낮을수록 좋다. 논문 Table 2의 MSCOCO zero-shot FID-30K 결과는 다음과 같다. 모델 파라미터 FID-30K ↓ LDM 1.4B 12.64 SDv1.5 0.9B 9.62 DreamLLM 7B 8.76 Show-o 1.3B 9.24 Show-o는 35M 이미지–텍스트 학습 데이터로 FID 9.24 를 기록했다. LDM과 SDv1.5보다 낮지만, DreamLLM보다 높다. 모델 크기와 학습 조건이 서로 다르므로 구조 하나만의 효과로 해석하지는 않아야 한다. 또한 이 35M 설정을 논문의 모든 실험에 공통으로 적용하면 안 된다. 이미지 이해의 데이터 규모 실험에는 2.0B 이미지–텍스트 쌍을 사용한 설정도 포함된다. 출처: Xie et al., Show-o, Table 3. 텍스트에 지정된 객체·수량·색상·위치 등을 얼마나 잘 반영했는지 평가한다. GenEval의 주요 결과를 정리하면 다음과 같다. 모델 단일 객체 두 객체 수량 색상 위치 색상 속성 연결 Overall ↑ SDv1.5 0.97 0.38 0.35 0.76 0.04 0.06 0.43 SD3 (d=24) 0.98 0.74 0.63 0.67 0.34 0.36 0.62 Show-o 0.98 0.80 0.66 0.84 0.31 0.50 0.68 Show-o‡ 0.98 0.85 0.67 0.81 0.28 0.55 0.69 기본 Show-o의 Overall은 0.68 로, 표에 보고된 SD3의 0.62 보다 높다. 특히 두 객체와 색상 속성 연결에서 강점을 보인다. 다만 위치 관계에서는 0.31 로 SD3의 0.34 보다 낮다. 전체 점수가 높아도 모든 유형의 요청을 더 잘 처리하는 것은 아니다. ✨ 3. 데이터 규모와 해상도의 영향 논문 Table 4에서는 기본 이산 이미지 토큰 설정에서 데이터와 해상도를 늘렸을 때의 변화를 확인한다. 이미지–텍스트 쌍 해상도 VQAv2 ↑ GQA ↑ 35M 256×256 59.3 48.7 2.0B 256×256 64.7 54.2 2.0B 512×512 69.4 58.0 데이터 규모를 늘리면 텍스트와 이미지의 대응을 더 많이 학습할 수 있고, 해상도를 높이면 더 많은 이미지 정보를 활용할 수 있다. 두 조건을 확대한 결과 VQAv2는 59.3 → 69.4 , GQA는 48.7 → 58.0 으로 개선된다. 다만 모든 지표가 각 단계에서 반드시 상승하는 것은 아니다. 예를 들어 원문 표의 MMMU는 데이터만 늘리는 단계에서 25.1에서 25.0으로 소폭 낮아진다. ✨ 4. 샘플링 효율과 응용 Appendix I는 512×512 이미지 생성에서 샘플링 단계를 5, 25, 50으로 늘릴수록 세부 표현과 프롬프트 반영이 개선되는 정성적 예시를 제시한다. 같은 해상도에서 1,024개 토큰을 하나씩 생성하는 자기회귀 방식과 비교하면 50단계는 약 20배 적은 샘플링 단계다. 그러나 단계 수가 20배 적다는 사실을 실제 실행 속도가 20배 빠르다는 뜻으로 해석하면 안 된다. 단계당 연산량과 실행 환경도 확인해야 한다. 논문 Figure 8에서는 이미지 일부 수정과 확장, 설명문과 영상 키프레임을 번갈아 생성하는 예시도 보여준다. 영상 이해·생성으로의 확장 역시 다루지만, 해당 결과는 주로 정성적 사례이므로 광범위한 영상 성능이 검증됐다고 확대 해석하지 않는 것이 좋다. 5️⃣ 결론 및 한계점 ✨ 결론 Show-o는 하나의 Transformer 안에 텍스트의 자기회귀 예측과 이미지의 마스크 토큰 복원을 결합하여, 멀티모달 이해와 생성을 함께 수행할 수 있음을 보여준다. 특히 통합 모델을 만들기 위해 모든 모달리티에 동일한 생성 규칙을 강제할 필요가 없다는 점이 중요하다. 공통된 토큰 시퀀스와 모델을 사용하면서도 attention 방식과 학습 목표를 구분할 수 있다. 실험에서는 1.3B 규모로 경쟁력 있는 이미지 생성 성능을 보였고, 이미지 이해도 지원했다. 다만 이해 성능은 입력 표현과 데이터 규모의 영향을 크게 받았으며, 지표별 장단점이 존재했다. ✨ 한계점 및 후속 연구 첫째, 이미지 속 문자와 객체 수·관계 처리에 오류가 남는다. Appendix K는 문자 인식, 지정한 글자 생성, 객체 수 세기, 사람마다 스키 장비를 올바르게 배치하는 문제 등을 실패 사례로 제시한다. 저자들은 관련 데이터의 부족을 원인으로 설명하고, 이러한 사례를 다루는 데이터를 보강하는 방향을 제안한다. 둘째, 이산 이미지 토큰을 언어 공간에 정렬하는 데 많은 데이터가 필요하다. CLIP처럼 이미 이미지–텍스트 대응을 학습한 특징과 달리, 기본 Show-o는 새로운 이미지 토큰 임베딩의 정렬을 학습해야 한다. 데이터 규모 실험과 CLIP 개선 버전의 결과가 이 어려움을 보여준다. 셋째, 평가 지표와 비교 조건을 함께 보아야 한다. 논문도 FID만으로 생성 품질을 충분히 평가하기 어렵다고 설명한다. 미학적 이미지로 미세조정한 모델의 출력 분포는 MSCOCO와 다를 수 있기 때문이다. 후속 평가에서는 품질뿐 아니라 요청 준수, 세부 관계, 사용자 평가를 함께 확인할 필요가 있다. 넷째, 통합의 실용적 이득은 추가 검증이 필요하다. 이는 리뷰를 통해 생각한 후속 연구 방향이다. 모델을 공유하면 시스템 구성이 단순해질 수 있지만, 실제 메모리 사용량이나 응답 지연이 얼마나 줄어드는지는 별도 측정해야 한다. 이해와 생성을 함께 학습할 때 서로의 성능을 방해하는지도 작업별로 살펴볼 필요가 있다. 6️⃣ 인사이트 도출 💡 학습 앱에서 ‘설명’과 ‘시각적 예시’를 함께 제공하기 학습을 돕는 AI 서비스를 생각하면, 사용자가 문제나 그림을 올렸을 때 내용을 이해하고 설명하는 기능뿐 아니라 이해를 돕는 새로운 그림을 만드는 기능도 유용하다. 예를 들어 과학 개념을 어려워하는 사용자에게 먼저 짧은 설명을 제공하고, 이어서 그 설명에 맞는 시각적 예시를 생성할 수 있다. 사용자가 그림의 특정 부분을 바꾸어 달라고 하면 해당 영역을 수정하는 상호작용으로 이어질 수 있다. Show-o의 혼합 모달 출력과 마스크 기반 편집은 이런 흐름을 설계할 때 참고할 수 있는 아이디어다. 다만 교육용 그림은 보기 좋은 것보다 내용이 정확한 것이 중요하다. 논문에서도 문자와 수량, 객체 관계에 오류가 있었으므로, 정답 숫자나 핵심 용어는 코드와 별도 텍스트 렌더링으로 표시하고 생성 모델은 설명용 삽화를 담당하도록 역할을 나누는 방안을 생각해 볼 수 있다. 💡 모델 통합과 사용자 경험은 따로 검증해야 한다 이 논문을 읽으며 가장 인상적이었던 점은, 하나의 모델로 통합하더라도 텍스트와 이미지의 처리 방식은 달라질 수 있다는 것이다. 서비스에서도 모든 정보를 같은 방식으로 제공하기보다, 개념 설명에는 텍스트를, 공간적 관계에는 그림을 활용하는 식으로 표현을 선택할 수 있다. 또한 설명과 이미지를 모두 생성할 수 있다는 사실만으로 학습 효과가 좋아지는 것은 아니다. 실제로 적용한다면 텍스트만 제공하는 조건과 텍스트·그림을 함께 제공하는 조건을 비교하여 이해도, 문제 해결 시간, 잘못 이해한 비율 을 측정하고 싶다. 모델의 기능을 늘리는 것과 사용자에게 도움이 되는 경험을 만드는 것은 각각 확인해야 할 문제라고 생각한다. 📚 References Xie, J. et al. Show-o: One Single Transformer to Unify Multimodal Understanding and Generation. ICLR 2025. 이 글의 방법론·수치·그림은 첨부된 arXiv v7(2025.09.08)을 기준으로 정리했다. 논문 Show Lab. Show-o 공식 코드 저장소. GitHub 선행 연구의 비교는 Show-o의 Related Work와 본문에 근거했다: Liu et al., Visual Instruction Tuning (2023); Rombach et al., High-Resolution Image Synthesis with Latent Diffusion Models (2022); Chang et al., MaskGIT: Masked Generative Image Transformer (2022); Wu et al., NExT-GPT: Any-to-Any Multimodal LLM (2023 preprint); Chameleon Team, Chameleon: Mixed-Modal Early-Fusion Foundation Models (2024). 그림 2·5 및 표 3의 저작권은 원저자에게 있으며, 출처를 표시하여 논문 설명과 비평 목적으로 인용했다.

[프로그래머스] Lv.0 문자열 출력하기

velog

문제 설명 문자열 str이 주어질 때, str을 출력하는 코드를 작성해 보세요. 제한 사항 1 ≤ str의 길이 ≤ 1,000,000 str에는 공백이 없으며, 첫째 줄에 한 줄로만 주어집니다. 풀이 str = input() print(str)

Балл: 54.39Уверенность: 49%

Vin Decoderz

velog

Airbag deployment is a critical piece of information. A car that has had its airbags deployed in an accident is often declared a total loss or requires expensive repairs. A check VIN will often reveal if the airbags were deployed. If the seller claims the car has a clean history but the report shows airbag deployment, you know they are hiding something. Vindecoderz provides this data because airbag deployments are frequently reported to insurance databases. This helps you avoid cars with hidden structural damage.

Балл: 54.39Уверенность: 49%

Narzędzie do pozycjonowania w ChatGPT: jak działa i co sprawdza w 2026 roku?

velog

Jak ocenić pomiar widoczności marki, dobrać pytania klientów i zamienić odpowiedzi AI w konkretne poprawki strony. Autor: Leander Van Linthout Opublikowano 5 października 2026 Narzędzie do pozycjonowania w ChatGPT regularnie zadaje pytania asystentowi, zapisuje odpowiedzi i sprawdza obecność marki oraz cytowanych stron. SQSEO jest praktycznym punktem wyjścia, ponieważ łączy badanie zapytań long tail i promptów z pomiarem wzmianek oraz cytowań. Sam monitoring nie zapewnia rekomendacji: pozwala ustalić, gdzie firma jest widoczna, gdzie pojawia się konkurencja i jakie treści warto poprawić. W 2026 roku przy wyborze liczą się przede wszystkim metoda zbierania odpowiedzi, polski kontekst pytań i możliwość sprawdzenia danych źródłowych. Wynik procentowy ma sens dopiero wtedy, gdy wiadomo, z jakich testów powstał. Czym jest narzędzie do pozycjonowania w ChatGPT? To narzędzie do badania i monitorowania widoczności w odpowiedziach AI, które pomaga planować działania GEO. Określenie „pozycjonowanie” opisuje cel pracy, a samo narzędzie przede wszystkim mierzy wyniki i ułatwia diagnozę. GEO, czyli Generative Engine Optimization, obejmuje poprawę treści i dostępności informacji tak, aby mogły zostać wykorzystane w odpowiedziach generatywnych. W praktyce interesują Cię trzy różne zdarzenia: pojawienie się nazwy firmy, wykorzystanie strony jako źródła oraz polecenie oferty w określonej sytuacji zakupowej. Jeśli ChatGPT wymieni sklep w zestawieniu, masz wzmiankę. Jeśli poda odnośnik do poradnika sklepu, masz cytowanie. Jeśli wskaże sklep jako odpowiedni dla osoby szukającej konkretnego produktu, masz rekomendację. Jedna odpowiedź może zawierać wszystkie trzy zdarzenia, ale często zawiera tylko jedno. Nie traktuj kolejności nazw jak klasycznej pozycji w Google. Firma może pojawić się pierwsza w jednej odpowiedzi, a zniknąć w następnej. Lista może również porządkować produkty według zastosowania, ceny albo kategorii, bez wskazywania najlepszego wyboru. Dobry raport zachowuje pełną odpowiedź. Dzięki temu sprawdzisz, czy nazwa firmy padła w pozytywnym kontekście, jako przykład problemu czy jedynie w pytaniu użytkownika. Sam licznik wystąpień nie wystarcza do oceny jakości obecności. Rozdziel też monitoring i audyt strony. Monitoring pokazuje, co pojawiło się w odpowiedziach. Audyt wskazuje potencjalne przeszkody techniczne lub braki treści. Wysoka ocena audytu nie jest dowodem, że marka została zacytowana, a brak cytowania nie dowodzi automatycznie błędu technicznego. Jak działa monitoring i skąd bierze odpowiedzi? Monitoring wykonuje serię testów na ustalonych promptach, a następnie porównuje zapisane odpowiedzi według tych samych zasad. Jego wiarygodność zależy od tego, jak dobrze opisuje warunki każdego testu. Najpierw przygotowujesz nazwę marki, domenę, warianty pisowni oraz konkurentów. Następnie wybierasz pytania, język, rynek i częstotliwość pomiaru. System uruchamia testy, wykrywa wzmianki i źródła, a wyniki grupuje według tematów oraz okresów. W SQSEO można badać zapytania z jednej frazy bazowej, grupować wyniki według intencji i regularnie sprawdzać obecność marek w odpowiedziach asystentów. To przydatne połączenie, gdy potrzebujesz zarówno listy tematów, jak i informacji, czy istniejące strony pojawiają się w odpowiedziach. Zapytaj dostawcę, czy dane pochodzą z interfejsu użytkownika, API czy własnego zestawu odpowiedzi. Ustal również, czy podczas testu działa wyszukiwanie internetowe. Ta sama nazwa modelu nie oznacza identycznych warunków jak w rozmowie klienta na jego koncie. OpenAI opisuje, że ChatGPT Search może przekształcić pytanie w kilka zapytań wyszukiwawczych. Przy ich tworzeniu mogą mieć znaczenie lokalizacja i zapisane wspomnienia użytkownika. Dlatego odpowiedź na ogólne pytanie o usługę lokalną może różnić się od testu ze wskazanym miastem. Dla polskiej firmy ustal język polski i jasno określ obszar działania. „Jakie biuro rachunkowe wybrać?” to inny test niż „Jakie biuro rachunkowe w Poznaniu obsługuje jednoosobowe firmy IT?”. Drugi pozwala znacznie lepiej ocenić dopasowanie oferty. Zapisuj datę, treść promptu, tryb odpowiedzi i dostępne informacje o modelu. Jeśli dostawca zmieni sposób zbierania danych, oznacz tę zmianę w raporcie. Bez takiej adnotacji skok widoczności może wyglądać jak efekt Twojej pracy, chociaż wynika z nowej metodologii. Co powinno sprawdzać narzędzie i jak czytać wskaźniki? Narzędzie powinno oddzielnie sprawdzać wzmianki, cytowania i rekomendacje, a każdy wskaźnik opisywać wraz z jego mianownikiem. Dodatkowo potrzebujesz kontekstu odpowiedzi, porównania konkurentów i dostępu do cytowanych adresów. Udział wzmianek Mierzy odsetek odpowiedzi wymieniających markę. Wzmianka może być krytyczna. Udział cytowań Mierzy odsetek odpowiedzi cytujących Twoją domenę. Sprawdź konkretną podstronę. Udział rekomendacji Mierzy odsetek odpowiedzi polecających ofertę. Oddziel pytania zakupowe. Share of Voice Mierzy udział marki według przyjętej definicji. Sprawdź sposób liczenia konkurencji. Kolejność wymienienia Mierzy miejsce nazwy w danej odpowiedzi. Brak marki wymaga osobnej informacji. Poprawność informacji Mierzy zgodność opisu z aktualnymi faktami. Ocena wymaga kontroli człowieka. Przykład obliczeniowy: w 100 poprawnie zakończonych testach marka pojawia się 28 razy. Udział wzmianek wynosi 28%. Jeśli domena została zacytowana w 12 odpowiedziach, udział cytowań wynosi 12%. To dwa wskaźniki opisujące różne zdarzenia, więc nie należy ich dodawać. Dla rekomendacji przygotuj osobny zbiór pytań zakupowych. Pytanie „Jak działa pompa ciepła?” nie wymaga polecenia producenta. Włączenie go do mianownika rekomendacji może zaniżyć wynik firmy bez związku z jakością oferty. Share of Voice także wymaga definicji. Możesz liczyć udział marki we wszystkich wykrytych wzmiankach określonych konkurentów. Inny dostawca może liczyć udział odpowiedzi, w których marka wystąpiła. Oba podejścia mogą być użyteczne, ale ich wyniki nie są bezpośrednio porównywalne. Sprawdź sposób obsługi błędów. Niedziałający test, odmowa odpowiedzi i poprawna odpowiedź bez marki to trzy różne sytuacje. Raport powinien pokazywać liczbę prób oraz liczbę odpowiedzi zakwalifikowanych do obliczeń. Uważaj na średnią kolejność wymienienia. Jeśli marka wystąpiła tylko dwukrotnie i oba razy była pierwsza, średnia wygląda dobrze mimo niewielkiej obecności. Zawsze czytaj ją razem z częstością występowania i wielkością próby. Jak przygotować prompty dla polskiej firmy? Zacznij od rzeczywistych pytań klientów i podziel je według celu: poznanie problemu, porównanie opcji oraz wybór dostawcy. Pytania z nazwą marki trzymaj oddzielnie od pytań, które badają spontaniczne rekomendacje. Lista powinna wynikać z rozmów handlowych, wiadomości do obsługi, wyszukiwarki sklepu i zapytań prowadzących do strony. Nie zakładaj, że propozycja promptu z narzędzia jest potwierdzonym zapisem prywatnej rozmowy użytkownika. Sprawdź metodę jej pozyskania i traktuj nieudokumentowany popyt jako hipotezę. Dla przykładowego polskiego producenta mebli biurowych przygotuj pytania: „Jak dobrać biurko do pracy w małym mieszkaniu?” „Biurko regulowane czy zwykłe dla osoby pracującej zdalnie?” „Jakie biurko z regulacją wysokości wybrać do 2 000 zł?” „Które sklepy oferują biurka regulowane z dostawą w Polsce?” „Co sprawdzić przed zakupem biurka marki X?” Ostatni prompt bada wiedzę o wskazanej firmie. Pozostałe pozwalają obserwować, czy marka pojawi się bez podpowiedzi. Mieszanie tych grup sprawia, że raport może sugerować szeroką rozpoznawalność tam, gdzie system jedynie powtarza nazwę z pytania. Na początek proponuję 20 do 30 pytań obejmujących kilka głównych tematów. To roboczy zakres do organizacji pracy, bez obietnicy reprezentatywności całego rynku. Powtarzaj pytania w ustalonym rytmie i poszerzaj zestaw, gdy odkryjesz istotną lukę. Zachowaj stałą grupę do porównań w czasie. Nowe pytania dodawaj jako osobny segment, aby zmiana zestawu nie udawała wzrostu widoczności. Jeśli przejdziesz z pytań ogólnych na pytania zawierające nazwę produktu, możesz poprawić procent bez zwiększenia rozpoznawalności. Wybieraj konkurentów o podobnym rynku, asortymencie i odbiorcach. Polski sklep z dostawą krajową nie powinien być oceniany wyłącznie względem zagranicznych producentów bez sprzedaży w Polsce. Różnica w dopasowaniu oferty może wyjaśniać wynik lepiej niż liczba publikowanych artykułów. Co audyt powinien sprawdzać na Twojej stronie? Audyt powinien sprawdzać dostęp do strony, czytelność treści oraz zgodność informacji o firmie i ofercie. Najpierw usuń przeszkody uniemożliwiające pobranie informacji, a następnie popraw odpowiedzi na pytania klientów. Dla ChatGPT Search szczególnie istotny jest OAI-SearchBot. OpenAI odróżnia go od GPTBot, który dotyczy treści mogących służyć do trenowania modeli. Możesz dopuścić robota wyszukiwawczego i jednocześnie zablokować robota treningowego; są to niezależne ustawienia. Sprawdź oficjalną dokumentację robotów OpenAI, zanim zmienisz robots.txt. Dopuszczenie robota pomaga zapewnić dostęp, ale nie gwarantuje wyboru strony do odpowiedzi. Dostęp robota Sprawdź robots.txt oraz odpowiedzi serwera. Usuń niezamierzoną blokadę. Ochrona serwera Sprawdź logi CDN i zapory aplikacyjnej. Zweryfikuj blokowane żądania. Treść strony Sprawdź, czy opis oferty można pobrać i odczytać. Udostępnij istotne informacje tekstowo. Tożsamość firmy Sprawdź nazwę, kontakt i obszar działania. Ujednolić rozbieżne dane. Oferta Sprawdź parametry, warunki i dostępność. Zaktualizuj informacje produktowe. Podstrony odpowiedzi Sprawdź dopasowanie treści do pytań klientów. Uzupełnij brakującą odpowiedź. W sklepie internetowym opis „nowoczesne biurko do każdego wnętrza” niewiele pomaga przy wyborze. Podaj wymiary, zakres regulacji, udźwig, warunki dostawy i ograniczenia zastosowania. Dzięki temu treść odpowiada na konkretne kryteria, które mogą pojawić się w pytaniu. Dane strukturalne powinny zgadzać się z widoczną treścią. Nie dodawaj opinii, parametrów ani dostępności, których użytkownik nie może