2026/04/14(火)転職時に複数内定を得た場合の考え方について
投稿日:
以前、昨今のプログラマー・システムエンジニアの年収感についてを書いたが、結果として104社受けた末に納得のいく内定を得ることができたが、内定を上手く制御できなかったので、反省の念として残す。
転職記録はまた別記事に書く。
まずは結論
IT職が転職しやすいといっても限度というものがあるので内定承諾の返事は慎重にしよう!
内定承諾期限は延ばせる!!
複数内定が出たが内定承諾期限ギリギリに内定が出たら伸ばそう!伸ばせられなかったらその時に考えろ!!!
複数内定が出たときのための比較表を作れ!
雰囲気で判断するな!職歴を詰める数は無限ではない!
まず転職にあたり転職軸をいくつか考えているはずだ。仮に二社内定が出たとして、完全にイコールではないはずだ。冷静に比較表を作り、比較せよ!
例えば以下のような表を作ると、企業Aと企業Bを数値的にパッと比較できる。これは仮に企業Aの内定承諾期限ギリギリに企業Bのオファー面談が終わったとしても一目で判断することが出来るため極めて有用だろう。特に媒体の担当者や転職エージェントなどから企業Aがオススメですよなどと助言を受けても、企業Bへの固い意志を貫ける可能性がある。
またこの表は元々あった転職軸を書くのも勿論いいのだが、新たに浮かんだ比較軸を書けると、尚の事比較項目が増えて有用になるだろう。例えば出張や休日シフトの有無だったりは普段する機会がないとなかなか出てきづらい。
| 企業A | 企業B | 備考 | |
|---|---|---|---|
| 通勤できるか | フルリモ:0.5 | ◎:1.0 | 通勤できるほうが身体と精神の健康に良い |
| Windows利用可 | 〇:0.5 | ◎:1.0 | 企業AはMac文化、企業BはWindows。企業AでWindowsが利用できなかった時のリスクはどうか? |
| 技術文化 | 〇:0.5 | ?:0.0 | 企業Bに技術文化はないかもしれない |
| 品質意識 | 〇:0.5 | ◎:1.0 | 企業Bは受託なので品質意識は高いはず |
| 労働時間 | 残業18h:1.0 | 残業19h:0.9 | 残業は誤差 |
| 会社の安定性 | 〇:0.5 | ◎:1.0 | 企業Bは歴史がある |
| 今後のキャリア | ?:0.0 | ◎:1.0 | リードなので企業Bのほうが活躍の余地がある |
| 外部モニタ二枚 | 出社なしのため考慮せず:1.0 | ◎:1.0 | 企業Bは出社時にモニタくれると聞いた |
| 給与 | xxx万円:1.0 | xx2万円(残業賞与込み):0.8 | 残業時間次第で企業Bが勝る可能性 |
| 職務 | バックエンドエンジニア:0.5 | リードエンジニア:1.0 | リードエンジニアなので将来性はある |
| 地元貢献 | ×:0.0 | ◎:1.0 | 企業Bは地元企業である |
| 出張 | あり:0.0 | なし:1.0 | 出張はないほうがよい |
| 休日シフト | あり:0.0 | なし:1.0 | 休日シフトもないほうがいい |
| 合計 | 6.0 | 11.7 |
抱いた違和感は大切に
コーディングテストを手抜きで出したのに過大評価されたり、何かしら変な兆候を察知した場合、その違和感は大切にしたほうが良いと思う。恐らくそれは本物だ。
その仕事は自分のためにやりたいか、やりたい仕事か?
内定が出た会社を比較して今後のためになるか、自分がやっていて楽しく思えるかとかも考えるべきだと思った。
いてもつまらん会社にいても仕方がないと思う。
関連記事
あとがき
もしその時の選択に後悔の念を持ったとしても、それはそれでまた人生である。なんだかんだ人生に正解というものはなく、なるようにしかならないのだ。
人生は一期一会であり、そこで何かを得たらそれもまた縁だ。結局のところ、未練や禍根はどちらを選んでも生まれ得るものだろう。
なので内定を承諾したからには、その企業でできることを最大限にやり、実績を残し、次へ繋げるのが良い。結果論としては意外とハマるかもしれないし、人生の醍醐味はそういった予測不可能性にあるとも言えるだろう。
勿論、内定を承諾した後に撤回するという荒業も使えなくはないが、人間としていかがなものかと思うので、その切り札は使わないに越しておくことはないだろう。日本がいくら法治国家とはいえ、法律に杓子定規になりすぎるのも考え物だ。
2026/04/11(土)ComfyUIを使ってみる2
投稿日:
去年の六月にComfyUIを使ってみるという記事を書いたが、当時はAUTOMATIC1111との差を覆せず、イマイチという結論に終わった。その後AUTOMATIC1111からreForgeに乗り換えたものの、ComfyUIへの未練は残っていた。そこで今回あらためて挑戦してみたところ上手くいったので、その記録を残しておく。
確認環境
ソフトウェア
ComfyUI v0.18.5
ハードウェア
前回とマザボが変わっているが、これによる差はないだろう。
| デバイス | 製品 |
|---|---|
| CPU | Intel Core Ultra 7 265F |
| GPU | GeForce RTX 5070 Ti |
| MEM | Crucial CT2K16G56C46U5 * 4 |
| M/B | ASRock Z890 Pro RS |
導入方法
インストール
公式サイトからインストーラーをダウンロードして実行するだけ。
インストール先は変えてはならない。もし変えると起動してもフリーズするようになったりする。
各種設定
ComfyUI-Managerはデフォルトで入ってるので入れなくてよい。
- 設定>Comfyから言語を英語にする[1]
- Settings>Server-Configを開き、一番下までスクロールし、DirectoriesにあるOutput directoryを適当に変える
- ここが生成した画像の出力先になる
- Settings>Graph>Link Render ModeでStraight
- ノードを繋ぐ線が直線になり、見やすくなる
- Settings>Graph>Always snap to gridをON
- ノードがグリッドにスナップするようになる
- Extentionsを開きComfyUI-Custom-Scriptsを入れておくと幸せになるらしいので入れる
資材パスの変更方法
モデルなどは容量を食って重いので別のドライブに移動させる方法。
- 別ドライブのどこか適当な場所に
%HOMEPATH%\Documents\ComfyUI配下のフォルダを丸ごと移動する %HOMEPATH%\AppData\Roaming\ComfyUI\extra_models_config.yamlを開く- 取り敢えずこんくらいの設定にしておけばよいと思う。パスの尻に``が入ってると起動しなくなるので注意
comfyui_desktop: is_default: "true" custom_nodes: custom_nodes download_model_base: models base_path: E:\path\to\ComfyUI # models\Stable-diffusion checkpoints: models\checkpoints # models\ControlNet controlnet: models\controlnet # embeddings\ embeddings: models\embeddings # models\Lora loras: models\loras # models\VAE vae: models\vae desktop_extensions: # 元から記述がある部分、変える必要はない custom_nodes: C:\Users\hoge\AppData\Local\Programs\ComfyUI\resources\ComfyUI\custom_nodes
AUTOMATIC1111やreForgeの設定をワークロードに反映させる方法
一例として、りこベンチの設定の再現方法。ComfyUIはアップスケーラー周りの設定が分かってないとゴミ画像が出てくるので、アップスケーラーの設定が重要になる。
全体像としてはこんな感じで、以前書いたComfyUIを使ってみると構成するノードには大きな変わりはない。
ポイントは一段目のKSamplerでdenoiseを1.00にし、二段目で0.70にする部分だ。両方を0.70にすると画質が大幅に劣化する。
ベンチスコア
りこベンチ設定では64.76秒を記録し、AUTOMATIC1111からreForgeに乗り換えた時のスコアである81秒と比べると16.24秒も早くなっている。
使用したワークフロー
{
"id": "6de0fdb5-59c2-4625-b494-4097461da37e",
"revision": 0,
"last_node_id": 17,
"last_link_id": 25,
"nodes": [
{
"id": 4,
"type": "CheckpointLoaderSimple",
"pos": [-290, 240],
"size": [320, 100],
"flags": {},
"order": 0,
"mode": 0,
"inputs": [
{
"localized_name": "ckpt_name",
"name": "ckpt_name",
"type": "COMBO",
"widget": { "name": "ckpt_name" },
"link": null
}
],
"outputs": [
{
"localized_name": "MODEL",
"name": "MODEL",
"type": "MODEL",
"slot_index": 0,
"links": [1, 18]
},
{
"localized_name": "CLIP",
"name": "CLIP",
"type": "CLIP",
"slot_index": 1,
"links": [11]
},
{
"localized_name": "VAE",
"name": "VAE",
"type": "VAE",
"slot_index": 2,
"links": [8]
}
],
"properties": { "Node name for S&R": "CheckpointLoaderSimple" },
"widgets_values": ["waiNSFWIllustrious_v150.safetensors"]
},
{
"id": 11,
"type": "CLIPSetLastLayer",
"pos": [-260, 380],
"size": [270, 60],
"flags": {},
"order": 2,
"mode": 0,
"inputs": [
{
"localized_name": "clip",
"name": "clip",
"type": "CLIP",
"link": 11
},
{
"localized_name": "stop_at_clip_layer",
"name": "stop_at_clip_layer",
"type": "INT",
"widget": { "name": "stop_at_clip_layer" },
"link": null
}
],
"outputs": [
{
"localized_name": "CLIP",
"name": "CLIP",
"type": "CLIP",
"links": [12, 13]
}
],
"properties": { "Node name for S&R": "CLIPSetLastLayer" },
"widgets_values": [-2]
},
{
"id": 3,
"type": "KSampler",
"pos": [490, 240],
"size": [320, 270],
"flags": {},
"order": 5,
"mode": 0,
"inputs": [
{
"localized_name": "model",
"name": "model",
"type": "MODEL",
"link": 1
},
{
"localized_name": "positive",
"name": "positive",
"type": "CONDITIONING",
"link": 15
},
{
"localized_name": "negative",
"name": "negative",
"type": "CONDITIONING",
"link": 14
},
{
"localized_name": "latent_image",
"name": "latent_image",
"type": "LATENT",
"link": 22
},
{
"localized_name": "seed",
"name": "seed",
"type": "INT",
"widget": { "name": "seed" },
"link": null
},
{
"localized_name": "steps",
"name": "steps",
"type": "INT",
"widget": { "name": "steps" },
"link": null
},
{
"localized_name": "cfg",
"name": "cfg",
"type": "FLOAT",
"widget": { "name": "cfg" },
"link": null
},
{
"localized_name": "sampler_name",
"name": "sampler_name",
"type": "COMBO",
"widget": { "name": "sampler_name" },
"link": null
},
{
"localized_name": "scheduler",
"name": "scheduler",
"type": "COMBO",
"widget": { "name": "scheduler" },
"link": null
},
{
"localized_name": "denoise",
"name": "denoise",
"type": "FLOAT",
"widget": { "name": "denoise" },
"link": null
}
],
"outputs": [
{
"localized_name": "LATENT",
"name": "LATENT",
"type": "LATENT",
"slot_index": 0,
"links": [24]
}
],
"properties": { "Node name for S&R": "KSampler" },
"widgets_values": [
735067360423163,
"randomize",
20,
7,
"dpmpp_2m",
"karras",
1
]
},
{
"id": 17,
"type": "LatentUpscaleBy",
"pos": [60, 100],
"size": [270, 90],
"flags": {},
"order": 6,
"mode": 0,
"inputs": [
{
"localized_name": "samples",
"name": "samples",
"type": "LATENT",
"link": 24
},
{
"localized_name": "upscale_method",
"name": "upscale_method",
"type": "COMBO",
"widget": { "name": "upscale_method" },
"link": null
},
{
"localized_name": "scale_by",
"name": "scale_by",
"type": "FLOAT",
"widget": { "name": "scale_by" },
"link": null
}
],
"outputs": [
{
"localized_name": "LATENT",
"name": "LATENT",
"type": "LATENT",
"links": [25]
}
],
"properties": { "Node name for S&R": "LatentUpscaleBy" },
"widgets_values": ["nearest-exact", 2]
},
{
"id": 15,
"type": "KSampler",
"pos": [490, 550],
"size": [320, 270],
"flags": {},
"order": 7,
"mode": 0,
"inputs": [
{
"localized_name": "model",
"name": "model",
"type": "MODEL",
"link": 18
},
{
"localized_name": "positive",
"name": "positive",
"type": "CONDITIONING",
"link": 20
},
{
"localized_name": "negative",
"name": "negative",
"type": "CONDITIONING",
"link": 21
},
{
"localized_name": "latent_image",
"name": "latent_image",
"type": "LATENT",
"link": 25
},
{
"localized_name": "seed",
"name": "seed",
"type": "INT",
"widget": { "name": "seed" },
"link": null
},
{
"localized_name": "steps",
"name": "steps",
"type": "INT",
"widget": { "name": "steps" },
"link": null
},
{
"localized_name": "cfg",
"name": "cfg",
"type": "FLOAT",
"widget": { "name": "cfg" },
"link": null
},
{
"localized_name": "sampler_name",
"name": "sampler_name",
"type": "COMBO",
"widget": { "name": "sampler_name" },
"link": null
},
{
"localized_name": "scheduler",
"name": "scheduler",
"type": "COMBO",
"widget": { "name": "scheduler" },
"link": null
},
{
"localized_name": "denoise",
"name": "denoise",
"type": "FLOAT",
"widget": { "name": "denoise" },
"link": null
}
],
"outputs": [
{
"localized_name": "LATENT",
"name": "LATENT",
"type": "LATENT",
"slot_index": 0,
"links": [19]
}
],
"properties": { "Node name for S&R": "KSampler" },
"widgets_values": [
968711531111656,
"randomize",
20,
7,
"dpmpp_2m",
"karras",
0.7
]
},
{
"id": 8,
"type": "VAEDecode",
"pos": [490, 140],
"size": [210, 50],
"flags": {},
"order": 8,
"mode": 0,
"inputs": [
{
"localized_name": "samples",
"name": "samples",
"type": "LATENT",
"link": 19
},
{ "localized_name": "vae", "name": "vae", "type": "VAE", "link": 8 }
],
"outputs": [
{
"localized_name": "IMAGE",
"name": "IMAGE",
"type": "IMAGE",
"slot_index": 0,
"links": [9]
}
],
"properties": { "Node name for S&R": "VAEDecode" },
"widgets_values": []
},
{
"id": 9,
"type": "SaveImage",
"pos": [830, 140],
"size": [260, 270],
"flags": {},
"order": 9,
"mode": 0,
"inputs": [
{
"localized_name": "images",
"name": "images",
"type": "IMAGE",
"link": 9
},
{
"localized_name": "filename_prefix",
"name": "filename_prefix",
"type": "STRING",
"widget": { "name": "filename_prefix" },
"link": null
}
],
"outputs": [],
"properties": {},
"widgets_values": ["ComfyUI"]
},
{
"id": 14,
"type": "CLIPTextEncode",
"pos": [50, 460],
"size": [430, 190],
"flags": {},
"order": 4,
"mode": 0,
"inputs": [
{
"localized_name": "clip",
"name": "clip",
"type": "CLIP",
"link": 13
},
{
"localized_name": "text",
"name": "text",
"type": "STRING",
"widget": { "name": "text" },
"link": null
}
],
"outputs": [
{
"localized_name": "CONDITIONING",
"name": "CONDITIONING",
"type": "CONDITIONING",
"slot_index": 0,
"links": [14, 21]
}
],
"properties": { "Node name for S&R": "CLIPTextEncode" },
"widgets_values": [
"nsfw, (worst quality, low quality:1.4), (depth of field, blurry, bokeh:1.5), (greyscale, monochrome:1.0), multiple views, text, title, logo, signature, (tooth, lip, nose, 3d, realistic:1.0), dutch angle,(cropped:1.4), text, title, signature, logo, (loli:1.2), school satchel, pink, school bag, school uniform, from behind"
]
},
{
"id": 7,
"type": "CLIPTextEncode",
"pos": [50, 240],
"size": [430, 190],
"flags": {},
"order": 3,
"mode": 0,
"inputs": [
{
"localized_name": "clip",
"name": "clip",
"type": "CLIP",
"link": 12
},
{
"localized_name": "text",
"name": "text",
"type": "STRING",
"widget": { "name": "text" },
"link": null
}
],
"outputs": [
{
"localized_name": "CONDITIONING",
"name": "CONDITIONING",
"type": "CONDITIONING",
"slot_index": 0,
"links": [15, 20]
}
],
"properties": { "Node name for S&R": "CLIPTextEncode" },
"widgets_values": [
"(illustration:1.0), masterpiece, best quality, 1girl, solo, happy, smile, theater, (perspective:1.3), from below, (looking away:1.2), (from side:1.0), (shot_hair:1.1), smile, bangs, shaggy, (brown hair:1.1), swept_bangs, thick_eyebrows, skin_fang, closed mouth, (purple eyes:1.1), gray (jacket:1.1), white shirt, glasses, (small breasts:1.1),\n"
]
},
{
"id": 16,
"type": "EmptyLatentImage",
"pos": [-250, 90],
"size": [270, 110],
"flags": {},
"order": 1,
"mode": 0,
"inputs": [
{
"localized_name": "width",
"name": "width",
"type": "INT",
"widget": { "name": "width" },
"link": null
},
{
"localized_name": "height",
"name": "height",
"type": "INT",
"widget": { "name": "height" },
"link": null
},
{
"localized_name": "batch_size",
"name": "batch_size",
"type": "INT",
"widget": { "name": "batch_size" },
"link": null
}
],
"outputs": [
{
"localized_name": "LATENT",
"name": "LATENT",
"type": "LATENT",
"links": [22]
}
],
"properties": { "Node name for S&R": "EmptyLatentImage" },
"widgets_values": [768, 768, 1]
}
],
"links": [
[1, 4, 0, 3, 0, "MODEL"],
[8, 4, 2, 8, 1, "VAE"],
[9, 8, 0, 9, 0, "IMAGE"],
[11, 4, 1, 11, 0, "CLIP"],
[12, 11, 0, 7, 0, "CLIP"],
[13, 11, 0, 14, 0, "CLIP"],
[14, 14, 0, 3, 2, "CONDITIONING"],
[15, 7, 0, 3, 1, "CONDITIONING"],
[18, 4, 0, 15, 0, "MODEL"],
[19, 15, 0, 8, 0, "LATENT"],
[20, 7, 0, 15, 1, "CONDITIONING"],
[21, 14, 0, 15, 2, "CONDITIONING"],
[22, 16, 0, 3, 3, "LATENT"],
[24, 3, 0, 17, 0, "LATENT"],
[25, 17, 0, 15, 3, "LATENT"]
],
"groups": [],
"config": {},
"extra": {
"ds": {
"scale": 1.1284491351375,
"offset": [757.6336710071444, 145.5718113186996]
}
},
"version": 0.4
}
生成された画像
reForgeと変わらない、ちゃんとした品質のものを出すことができた。
あとがき
reForgeと同じ品質で、更に早く出せることが分かったので、これは乗り換えができそうだ。
Civitaiで配布されているワークフローを見る感じ、同じ絵柄で別の構図を出すワークフローなどもあるようなので、非常に期待できる。
他にもForge Coupleのような機能もあり、全体的にreForgeより高機能で、使い方次第では何でもできそうな気配を感じるので、今回、無事ComfyUIに乗り換えられたのはとてもよかった。
今回行った調査にはClaude Opus 4.6を使い、前回の問題点の調査と、その対策方法を調べたが、非常に有益な情報が得られたので、こういったことをするにもLLMも必須の存在といえることがよく分かった。
- 日本語だと機能を探しづらいため ↩
2026/04/10(金)トングを買わずに身近なものでトースターからトーストを取り出す
2026/04/10(金)便利なコマンド置き場
特定パス配下のサブフォルダのファイル数を計数して、ソートして列挙する
/path/to/hoge
/path/to/fuga
/path/to/piyo
とあるとして
/path/to/hoge 32
/path/to/piyo 22
/path/to/fuga 4
みたいなのが欲しい場合の方法。フォルダはカウントされないので注意。
サブフォルダの中を再帰的に計測する
for d in /path/to/*/; do printf "%s\t%d\n" "$d" "$(find "$d" -type f | wc -l)"; done | sort -t$'\t' -k2 -nr
サブフォルダの直下のみ計測する
for d in /path/to/*/; do printf "%s\t%d\n" "$d" "$(find "$d" -maxdepth 1 -type f | wc -l)"; done | sort -t$'\t' -k2 -nr
2026/04/10(金)Youtubeで特定の発言のあった場所を検索して引く方法
あの動画で聞いたセリフどこら辺にあったっけ…となったときに探すときの方法。
何かしらの動画で特定のシーンを覚えているが、どこだったか思い出せないとか、そこに飛びたいといったときに使える。
今回は切り抜き動画を基に説明するが、何かしらの講演動画や、その他任意の動画でも、セリフを覚えていたらそこで引くことができる。
例えばこの切り抜き動画で出てくるシーンが元動画でどこにあるか調べたいとき、切り抜き動画の場合は基本元動画へのリンクがあるので元動画へ行き
説明欄を広げて
下のほうにある「文字起こし」をしてやると文字起こしが出てくるので
「トイレ」というキーワードで調べると、こうやって引っかかるので、そこをクリックすると、そこにシークさせることができる。
注意点としては、なんでも引っかかるわけではなく、引っ掛かりづらいものや、文字起こしされないものもある。
例えば便座で引こうとすると発言者の微妙な発音の関係か「ベンザ」になってしまっていて掛からないので、発音が日本人らしくない場合はカタカナ語で引くのがよいかもしれない。字幕と同じ文字列な気はするので字幕を見て、それて引くのもありだろう。
他にも日本語配信の中にある韓国語や英語は[音楽]や[Music]表記になることがあるほか、Fワードは[_]という表記になるので、まともに引っかけられないことがあるので、ここも注意したほうがいい。









