収集済みは約 2,074 万対話 / 14.75 億トークン。2ch.sc 全板センサス（2026-07-12）と各プラットフォームの密度実測（2026-07-13）で残量を再試算し、保守 110 億 / 中央 180 億 tok まで伸ばせる見込み。品質は Haiku 対話単位採点でユーモア平均 1.77〜2.06 の狭帯・hi(≥4) 6.6〜11.4% と、板やプラットフォーム間の差は小さい。
面白さ (humor) はプラットフォーム差が小さい — 平均 1.77〜2.06、hi(≥4) は 6.6〜11.4% の帯に全てが収まる。噛み合い率は 87〜95% で抽出品質は良好。ふたば・Mastodon が humor 平均で上位に来るのは長尾ターン分布が厚いためで、対話が続くほど採点が上がる傾向と整合する。しかし量では 2ch.sc としたらばが桁違いのため、増量投資は引き続き「量 × 対話単位フィルタ」で 2ch.sc・したらばに全振り。
| 残量の内訳 | 残スレ数 レス15+ | 実測/推定 対話収率 | 対話換算 | 所要 0.3s間隔 |
|---|---|---|---|---|
| 雑談・アイドル・ニュース系 未収集 780 板 + poverty/狼/news の残り | ~600 万 | 10〜90 /スレ 実測+試掘 | +6,600 万〜1.5 億 | 3〜5 日 サーバ並列 |
| livejupiter なんJ・上限で切断 | 434 万 | 8.6 /スレ 実測 | +3,700 万 | 15 日 単一サーバ律速 |
| news4vip VIP・上限で切断 | 291 万 | 3.1 /スレ 実測 | +900 万 | 10 日 同上 |
| TV・スポーツ実況系 livenhk 等 | ~115 万 | 低い見込み 未実測 | 試掘してから判断 | — |
未収集の大型板 6 つを試掘して収率を実測した: 芸スポ+ 87.3（8,148 スレの本格実測）、東アジア+ 320 / 競馬 152 / スマホアプリ 96 / 地下アイドル 60（各 50 スレ）、モ娘(狼) 2.6（ID 非表示板は低い）。板差は 300 倍あるが、大型板ほど収率が高い傾向がはっきり出ている。
| 施策 | 計算根拠 | 保守シナリオ | 中央シナリオ |
|---|---|---|---|
| ① 未収集 780 板ディグ | 419 万スレ × 収率 10〜30 (試掘 60〜320 を深さバイアスで割引) | +4,200 万 | +1.26 億 |
| ① poverty / news / 狼 の上限解除 | 残 182 万スレ × 実測収率 15.3 / 33.5 / 2.6 | +2,450 万 | +2,450 万 |
| ② livejupiter + news4vip | 残 725 万スレ × 実測収率 8.6 / 3.1 | +4,630 万 | +4,630 万 |
| ③ したらば 上限解除 + 全カテゴリ走査 | 実測: 解除分 +10 万。残 ID 空間 28 万 × 9〜24 対話/ID | +280 万 | +500 万 |
| — ニコ百 凍結 | 全記事総当たりでも 52.5 万記事 × 実測 2.31 対話/記事 = +121 万。ただし 0.96 対話/req・44 日 → 却下 | +0 | +0 |
| — Misskey / ふたば | 打ち切り / 保留 | +0 | +0 |
| 到達対話数 (現在 2,071 万 + 上記) | — | ~1.3 億 | ~2.2 億 |
| humor≥4 の上澄み (~10%) | Haiku 対話単位フィルタ後 | ~1,300 万 | ~2,200 万 |
最大の不確実性は①未収集板の平均収率（試掘は大型板・新しめスレに偏る）。①を 1〜2 日掘った時点の実測で全体見積もりを更新するのが前提。それでも保守側に倒しても現在の 6 倍、上澄みだけで open2ch 全体の 1.6〜2.7 倍に届く。
全量掘ると raw+normalized で ~1.7TB、NAS 空きは 1.2TB で足りない。dat はテキストなので gzip で 1/4 になる（ふたばで実装済みの方式を 2ch.sc に展開）。これを先にやらないと途中でディスクが尽きる。
高収率が実証されている雑談・生活・アイドル・ニュース系から効率順に。news の残り（33.5 対話/スレ）と poverty・狼の上限解除も含む。13 サーバ並列で回せば大半が 3〜5 日で終わる。今回のセンサス結果（板→サーバ→残量）をそのまま作業リストにできる。
収率は低い（8.6 / 3.1）が物量が別格。単一サーバ律速なので常駐ジョブとして裏で回し続けるのが正解。急ぐなら間隔を 0.1s に詰めて 5 日/3.4 日（ユーザー方針上は許容範囲）。
上限 123 板の解除は実測で +10 万どまり（残スレは ID 非表示板に集中）。本命は走査の拡大: 全カテゴリの ID 空間は約 29 万で走査済みはまだ 3%、しかも game カテゴリは ID 61,485 まで存在し未走査の新しい帯（52,000〜61,485）が丸ごと残っている。
ニコ百は凍結（4.2 万対話で確定）。実測で対話の 42% は「BBS 新着フィードで見つけた活発 90 記事」由来（199 対話/記事）で、リアルタイム収集を対象外とすると残る手段は全記事総当たりのみ。それは 2.31 対話/記事 × 52.5 万 = +121 万だが 0.96 対話/req・44 日かかり効率最下位のため却下。Misskey は 0.29 対話/req で打ち切り。ふたば（FTBucket 統合）は品質最高だが量が僅少なので保留。
採点は収集と独立に回せる。手元の約 2,100 万対話への全量バッチ採点は 約 $1,000〜1,500（Haiku 4.5 バッチ 50% 引き）。humor≥4 の上澄み ~210 万対話を先に切り出せば、収集完了を待たずに CPT v1 データセットが作れる。全戦略完遂後の 1.3〜2.2 億を全量採点する場合は $7,000〜16,000 になるため、その段階では事前フィルタ（長さ・NG・板単位の足切り）で採点対象を絞る。
ユーモアは板やプラットフォームではなく対話単位に散在する（全ソース humor 平均 1.5〜2.5 の狭帯、humor≥4 は 7〜12%）。だから「良い板を選ぶ」より「大量に集めて対話単位でフィルタ」が正しく、上の戦略はすべてこの前提から導いている。抽出品質は噛み合い率 87〜96% で良好。