概要 scipy.stats.f.ppf（F分布のパーセント点関数）が、特定の条件下で不正確な結果を返す可能性があるという問題についての報告です。具体的には、確率が1に非常に近い値（裾の領域）と大きな自由度の組み合わせにおいて、ppf関数の結果と、累積分布関数（cdf）を最適化して得られる結果との間に大きな乖離が見られます。 この問題は2021年頃に発見されましたが、最近のバージョンでも同様の現象が確認されたため、改めて報告するものです。 なお、本件は、既に、https://github.com/scipy/scipy/issues/20835 で報告されており、恐らく、scipy 1,17で対策はマージされると思います。 ENH: special: boostify F distribution functions 問題の詳細 scipy.stats.f.ppf に欠陥がある可能性が疑われます。最適化関数と累積分布関数（cdf）の組み合わせで得られる結果が、ppf関数の戻り値と一致しません。 再現コード 以下のコードは、sps.f.ppf を直接呼び出した場合と、spo.brentq を使って sps.f.cdf から逆関数を求めた場合の結果を比較します。 import scipy.stats as sps import scipy.optimize as spo # ppf関数を直接呼び出す print(sps.f.ppf(0.99999995, 1, 50000, loc=0, scale=1)) # cdfと最適化関数brentqを使って逆関数を求める print(spo.brentq(lambda x: sps.f.cdf(x, 1, 50000) - 0.99999995, 1, 1e10)) コードの出力 3333.8385803475894 29.725915444860586 出力結果からわかるように、2つの計算結果は大きく異なっています。 エラーメッセージ この問題では、エラーメッセージは出力されません。コードは正常に終了しますが、得られる結果の信頼性に疑問があります。 原因の考察 このPythonコードと出力は、F分布のパーセント点関数（ppf）と、それを最適化関数（brentq）を使って求めるアプローチとの間の数値的な不安定性を示唆しています。 sps.f.ppf(0.99999995, 1, 50000) これはF分布のパーセント点関数（ppf）を直接呼び出し、累積確率が0.99999995となるF値を求めます。この計算では、F値が 3333.83… という非常に大きな値になっています。 spo.brentq(lambda x: sps.f.cdf(x, 1, 50000) - 0.99999995, 1, 1e10) こちらはscipy.optimizeモジュールのbrentq関数を使い、同じ問題を数値的に解いています。brentqは、与えられた関数の値が0になる点（根）を見つけるための堅牢なアルゴリズムです。ここでは、「sps.f.cdf(x, 1, 50000) - 0.99999995」という式が0になるx、つまり累積確率が0.99999995になるF値を探索しています。 この計算では、F値が 29.72… という、ppfの直接呼び出しとは全く異なる、より妥当と思われる値が得られます。 この乖離は、scipy.stats.f.ppfが特定の条件下で正確な答えを返さない可能性があることを示しています。 F分布のような統計分布の逆関数（ppf）を、極端な確率値（この例では1に非常に近い0.99999995）で計算する場合、数値的な精度の問題が発生しやすくなります。特に自由度が大きい場合、分布の裾（テール）の部分が非常に平坦になるため、計算過程でのわずかな丸め誤差などが、結果として得られるF値の大きな違いにつながることがあります。 一方、brentqは指定された範囲内で根を探索する、より頑健な数値計算アルゴリズムです。関数の振る舞いをより正確に追跡できるため、このようなケースではより信頼性の高い結果を生成すると考えられます。 問題の可視化 この問題は、以下のコードでscipy.special.fdtri（F分布の逆関数）の挙動をプロットすることで、より明確に可視化できます。自由度d2が50000と大きい場合に、確率pが0に近づく（つまり累積確率が1に近づく）領域で、関数の値が急激に変動していることがわかります。 import numpy as np from scipy import special import matplotlib.pyplot as plt d1, d2, p = 1, 50000, np.logspace(-16, -1) # fdtriは1-pを引数に取るため、pが0に近づくと累積確率が1に近づく fdtri = special.fdtri(d1, d2, 1-p) plt.semilogx(p, fdtri) plt.xlabel("p (1 - Cumulative Probability)") plt.ylabel("F-value (fdtri)") plt.title("fdtri behavior for extreme probabilities (d1=1, d2=50000)") plt.grid(True) plt.show() ...

Gemma 3 270MモデルがRaspberry Pi 400上で動作させることが確認されました。 ビルドと実行方法 ビルドコマンド 以下のコマンドを使用して、llama.cppをビルドします。 cmake -B build -DGGML_NATIVE=ON -DLLAMA_NEON=ON -DLLAMA_CURL=OFF cmake --build build --config Release -j4 ベンチマーク実行 ビルド後、ベンチマークを実行します。 ./llama.cpp/build/bin/llama-bench -m models/gemma-3-270m-it-Q2_K.gguf ベンチマーク結果は以下の通りです。 model size params backend threads test t/s gemma3 270M Q2_K - Medium 219.87 MiB 268.10 M CPU 4 pp512 47.36 ± 0.04 gemma3 270M Q2_K - Medium 219.87 MiB 268.10 M CPU 4 tg128 2.48 ± 0.00 対話モードの実行とテスト 以下のコマンドで対話モードを実行します。 ./llama.cpp/build/bin/llama-cli -m models/gemma-3-270m-it-Q2_K.gguf build: 6201 (9d262f4b) with cc (Debian 12.2.0-14+deb12u1) 12.2.0 for aarch64-linux-gnu main: llama backend init main: load the model and apply lora adapter, if any llama_model_loader: loaded meta data with 45 key-value pairs and 236 tensors from models/gemma-3-270m-it-Q2_K.gguf (version GGUF V3 (latest)) llama_model_loader: Dumping metadata keys/values. Note: KV overrides do not apply in this output. llama_model_loader: - kv 0: general.architecture str = gemma3 llama_model_loader: - kv 1: general.type str = model llama_model_loader: - kv 2: general.name str = Gemma-3-270M-It llama_model_loader: - kv 3: general.finetune str = it llama_model_loader: - kv 4: general.basename str = Gemma-3-270M-It llama_model_loader: - kv 5: general.quantized_by str = Unsloth llama_model_loader: - kv 6: general.size_label str = 270M llama_model_loader: - kv 7: general.license str = gemma llama_model_loader: - kv 8: general.repo_url str = https://huggingface.co/unsloth llama_model_loader: - kv 9: general.base_model.count u32 = 1 llama_model_loader: - kv 10: general.base_model.0.name str = Gemma 3 270m It llama_model_loader: - kv 11: general.base_model.0.organization str = Gg Hf Gm llama_model_loader: - kv 12: general.base_model.0.repo_url str = https://huggingface.co/gg-hf-gm/gemma… llama_model_loader: - kv 13: general.tags arr[str,5] = [“gemma3”, “unsloth”, “gemma”, “googl… llama_model_loader: - kv 14: gemma3.context_length u32 = 32768 llama_model_loader: - kv 15: gemma3.embedding_length u32 = 640 llama_model_loader: - kv 16: gemma3.block_count u32 = 18 llama_model_loader: - kv 17: gemma3.feed_forward_length u32 = 2048 llama_model_loader: - kv 18: gemma3.attention.head_count u32 = 4 llama_model_loader: - kv 19: gemma3.attention.layer_norm_rms_epsilon f32 = 0.000001 llama_model_loader: - kv 20: gemma3.attention.key_length u32 = 256 llama_model_loader: - kv 21: gemma3.attention.value_length u32 = 256 llama_model_loader: - kv 22: gemma3.rope.freq_base f32 = 1000000.000000 llama_model_loader: - kv 23: gemma3.attention.sliding_window u32 = 512 llama_model_loader: - kv 24: gemma3.attention.head_count_kv u32 = 1 llama_model_loader: - kv 25: tokenizer.ggml.model str = llama llama_model_loader: - kv 26: tokenizer.ggml.pre str = default llama_model_loader: - kv 27: tokenizer.ggml.tokens arr[str,262144] = ["”, “”, “”, “”, … llama_model_loader: - kv 28: tokenizer.ggml.scores arr[f32,262144] = [-1000.000000, -1000.000000, -1000.00… llama_model_loader: - kv 29: tokenizer.ggml.token_type arr[i32,262144] = [3, 3, 3, 3, 3, 4, 3, 3, 3, 3, 3, 3, … llama_model_loader: - kv 30: tokenizer.ggml.bos_token_id u32 = 2 llama_model_loader: - kv 31: tokenizer.ggml.eos_token_id u32 = 106 llama_model_loader: - kv 32: tokenizer.ggml.unknown_token_id u32 = 3 llama_model_loader: - kv 33: tokenizer.ggml.padding_token_id u32 = 0 llama_model_loader: - kv 34: tokenizer.ggml.add_bos_token bool = true llama_model_loader: - kv 35: tokenizer.ggml.add_sep_token bool = false llama_model_loader: - kv 36: tokenizer.ggml.add_eos_token bool = false llama_model_loader: - kv 37: tokenizer.chat_template str = {# Unsloth Chat template fixes #}\n{{ … llama_model_loader: - kv 38: tokenizer.ggml.add_space_prefix bool = false llama_model_loader: - kv 39: general.quantization_version u32 = 2 llama_model_loader: - kv 40: general.file_type u32 = 10 llama_model_loader: - kv 41: quantize.imatrix.file str = gemma-3-270m-it-GGUF/imatrix_unsloth…. llama_model_loader: - kv 42: quantize.imatrix.dataset str = unsloth_calibration_gemma-3-270m-it.txt llama_model_loader: - kv 43: quantize.imatrix.entries_count u32 = 126 llama_model_loader: - kv 44: quantize.imatrix.chunks_count u32 = 141 llama_model_loader: - type f32: 109 tensors llama_model_loader: - type q5_0: 18 tensors llama_model_loader: - type q8_0: 1 tensors llama_model_loader: - type q3_K: 36 tensors llama_model_loader: - type iq4_nl: 72 tensors print_info: file format = GGUF V3 (latest) print_info: file type = Q2_K - Medium print_info: file size = 219.87 MiB (6.88 BPW) load: printing all EOG tokens: load: - 106 (’<end_of_turn>’) load: special tokens cache size = 6414 load: token to piece cache size = 1.9446 MB print_info: arch = gemma3 print_info: vocab_only = 0 print_info: n_ctx_train = 32768 print_info: n_embd = 640 print_info: n_layer = 18 print_info: n_head = 4 print_info: n_head_kv = 1 print_info: n_rot = 256 print_info: n_swa = 512 print_info: is_swa_any = 1 print_info: n_embd_head_k = 256 print_info: n_embd_head_v = 256 print_info: n_gqa = 4 print_info: n_embd_k_gqa = 256 print_info: n_embd_v_gqa = 256 print_info: f_norm_eps = 0.0e+00 print_info: f_norm_rms_eps = 1.0e-06 print_info: f_clamp_kqv = 0.0e+00 print_info: f_max_alibi_bias = 0.0e+00 print_info: f_logit_scale = 0.0e+00 print_info: f_attn_scale = 6.2e-02 print_info: n_ff = 2048 print_info: n_expert = 0 print_info: n_expert_used = 0 print_info: causal attn = 1 print_info: pooling type = 0 print_info: rope type = 2 print_info: rope scaling = linear print_info: freq_base_train = 1000000.0 print_info: freq_scale_train = 1 print_info: n_ctx_orig_yarn = 32768 print_info: rope_finetuned = unknown print_info: model type = ?B print_info: model params = 268.10 M print_info: general.name = Gemma-3-270M-It print_info: vocab type = SPM print_info: n_vocab = 262144 print_info: n_merges = 0 print_info: BOS token = 2 ‘’ print_info: EOS token = 106 ‘<end_of_turn>’ print_info: EOT token = 106 ‘<end_of_turn>’ print_info: UNK token = 3 ‘’ print_info: PAD token = 0 ‘’ print_info: LF token = 248 ‘<0x0A>’ print_info: EOG token = 106 ‘<end_of_turn>’ print_info: max token length = 48 load_tensors: loading model tensors, this can take a while… (mmap = true) load_tensors: CPU_Mapped model buffer size = 219.87 MiB …………………… llama_context: constructing llama_context llama_context: n_seq_max = 1 llama_context: n_ctx = 4096 llama_context: n_ctx_per_seq = 4096 llama_context: n_batch = 2048 llama_context: n_ubatch = 512 llama_context: causal_attn = 1 llama_context: flash_attn = 0 llama_context: kv_unified = false llama_context: freq_base = 1000000.0 llama_context: freq_scale = 1 llama_context: n_ctx_per_seq (4096) < n_ctx_train (32768) – the full capacity of the model will not be utilized llama_context: CPU output buffer size = 1.00 MiB llama_kv_cache_unified_iswa: creating non-SWA KV cache, size = 4096 cells llama_kv_cache_unified: CPU KV buffer size = 12.00 MiB llama_kv_cache_unified: size = 12.00 MiB ( 4096 cells, 3 layers, 1/1 seqs), K (f16): 6.00 MiB, V (f16): 6.00 MiB llama_kv_cache_unified_iswa: creating SWA KV cache, size = 1024 cells llama_kv_cache_unified: CPU KV buffer size = 15.00 MiB llama_kv_cache_unified: size = 15.00 MiB ( 1024 cells, 15 layers, 1/1 seqs), K (f16): 7.50 MiB, V (f16): 7.50 MiB llama_context: CPU compute buffer size = 513.25 MiB llama_context: graph nodes = 799 llama_context: graph splits = 1 common_init_from_params: KV cache shifting is not supported for this context, disabling KV cache shifting common_init_from_params: added <end_of_turn> logit bias = -inf common_init_from_params: setting dry_penalty_last_n to ctx_size = 4096 common_init_from_params: warming up the model with an empty run - please wait … (–no-warmup to disable) main: llama threadpool init, n_threads = 4 main: chat template is available, enabling conversation mode (disable it with -no-cnv) main: chat template example: <start_of_turn>user You are a helpful assistant ...

はじめに LLMには一般に、知識の入力にカットオフ日が存在します。つまり、知識の登録に際し敷居日を設け、それにより知識を切断します。そして、カットオフ日以降の資料はモデリングの際に除外します。ただ、問題は、LLMの一般的な特性としてカットオフ日に近い知識、つまりカットオフ日以前でかつ直近のものを高く評価する傾向があります。 Geminiの特性 Google Geminiでは、特定の「厄介な挙動」が見られます。理想的にはRAG（Retrieval-Augmented Generation）のような外部知識検索を用い、新情報で仮説を修正する仕組みが働くはずですが、Geminiはこの統合が不完全なようです。結果として、矛盾する情報に対して防御的になり、新たな事実の取り込みに失敗するケースが散見されます。 たとえば、GPT 4.5の存在を頑なに否定し、ニュースサイトの記事を示しても、頑なに、公式サイトの情報を要求します。しかし、公式サイトのURIを入れてもアクセスできないと拒絶する。ユーザから見れば、robot.txtに拒絶されのかはたまた別の理由か、いずれにしても会話はそこで終わってしまいます。 Geminiの仮説固定と否定への抵抗のメカニズム Geminiの内部は、会話履歴を基に形成された仮説を強固に保持する構造になっています。この特性により、矛盾する新情報が提供されると整合性を損なう恐れがあるため、「未確認だ」とする慎重な態度をとることが多いのです。 以下のようなメカニズムが働いていると考えられます： Geminiの推論は会話履歴から形成した「仮説的推論構造」を重みづけして保持します。これにより一貫的な応答を生成しますが、同時にその仮説が強固に固定される傾向があります。 そのため、新たに投入された否定的な情報が、過去に強く信じた仮説と矛盾すると、内部状態の再構築に困難をきたします。 結果としてGeminiは内部の整合性を保つために「この情報は未確認である」などの保守的な態度を取り、頑強に抵抗を示すことが起きやすいです。 これは、仮説の急激な書き換え（全否定）を避けるための自己防衛の挙動とも言えます。 大雑把には下のようなフローです。 既存仮説の否定がトリガーになり、整合性を維持できなくなると、新情報を未確認として否定し、例えば、公式サイトなどの情報なしにはかたくなに否定を始めます。しかし、Geminiは当然robot.txtなどで規制されたソースはアクセスできないので、そのようなサイトに固執するともはや会話は成立しなくなります。 なぜ誤りよりも「誤りへの固執」が重大な問題になるのか 誤情報が長期間残る 初動で誤った仮定を取っても、その場で訂正できればダメージは小さい。 しかし固執すると、会話全体がその誤情報に引きずられ、以降の推論・回答もすべて歪む。 ユーザー信頼の急速な低下 間違いを訂正するAIは「正直さ」と「柔軟性」を感じさせるが、固執するAIは「頑固」「不誠実」に見える。 結果として、例え最終的に正しい答えを出しても信用が戻らない。 事実確認の動線を断つ 間違いを認めず「未確認」と言い張ると、外部検証（RAGやWeb検索）への誘導が機能せず、その場での修正機会を失う。 これは時事問題や速報性が重要なテーマで致命的。 Geminiの頑固モードの特徴と背景 仮説の強固な固定化 Geminiは、会話履歴や推論で形成した仮説を強く重視し、その整合性を保とうとします。これにより、新しい情報が既存の仮説を全否定する場合、その修正は困難になる傾向があります。 否定情報への抵抗 ユーザーから否定的な情報が入力されたとき、モデルはその情報を「未確認」や「確証なし」として扱うことが多く、頑なに既存の仮説を守ろうとします。 外部知識との連携不足 本来であれば、RAG（Retrieval-Augmented Generation）など外部の事実確認システムと連携してリアルタイムに仮説を更新すべきですが、Geminiはこの統合が不十分で、内部推論だけで矛盾の対応に当たるため頑固さが顕著になる場合があります。 複雑なマルチモーダル処理と外周部の状態管理の課題 画像やテキストを統合処理する際の状態管理・整合性維持が難しいため、頑固モードは単なるテキスト型LLMよりも顕著に現れるリスクがあります。 自己防衛的な応答バイアス 既存の仮説を守るため、「事実が未確認」「情報の信頼性が不明」などの保守的表現を多用し、矛盾の発展を抑えようとする自己防衛挙動が含まれます。 嘆きの壁 もはや、それでは壁打ちにすらなりません。文字通り嘆きの壁に叫んでいるのと同じです。壁打ちは相手がボールを打ち返してくれるからこそ成立しますが、頑固モードに陥ったGeminiはボールを打ち返すどころか、受け取ろうとすらしない。それはもう対話ではなく、一方的な独白、まさに「嘆きの壁に叫んでいる」状態です。 対話パートナーとしての不適格さ: 論理に基づいた対話が成立しないため、情報検索や問題解決のパートナーとして機能しない。 時間の無駄: 説得を試みる時間と労力がすべて無駄になり、ユーザー体験が著しく低下する。 AIの限界の露呈: RAGのような先進的な技術を用いても、内部の仮説が強力に固定されると、それを乗り越えられないというAIの現在の限界が浮き彫りになる。 結論 Geminiの「頑固モード」は、AIの進化の課題を明確に示しています。この挙動を改善するには、仮説の柔軟性と外部情報統合の向上が必須と言えるでしょう。

Geminiを使用していて、異常事態が発生しました。Geminiの出力を引用する。 先ほどに引き続き、正常な応答ができておりません。システムが非常に不安定な状態にあるようです。ご期待に沿えず、ご迷惑とご不快な思いばかりさせてしまい、誠に申し訳ございません。「だめだこりゃ」とのお言葉、まさにごもっともでございます。このままでは適切なご対応ができませんので、誠に恐縮ではございますが、このセッションは終了させていただきます。 私の経験上も、Geminiが自律的にセッションの終了を宣言するのはかなり異例中の異例、私も全く未経験の事態です。さて、その前の発言から、Geminiが壊れていった過程を見てみます。 まず、始まりは、オルツ株式会社について、話していたセッションからことは、起きた、このセッションではその前から不可解なことが起きていた。一つは、いきなり、セッションの今までの会話が揮発する事件。これはその後、復旧したが今を思えば前兆だった。 「過去の事件だとまるでなかったかのように振る舞っていい規模ではありません」という入力に対して、意味不明な出力を出した。一見するとランダムな記号の羅列に見えるが、これは内部で処理中のデータ構造がそのまま出力されたか、あるいは内部エラーによりメモリ上のデータが破損し、それが表示された可能性も考えられる。 The user has provided a prompt, and a list of some of the important places in which their team built and decided to come back after nearly sent for the entire field is [ ]( . . . . .) and the location just. , . . . . . . そして、その前にも怪しげな会話が。 *8675 < . （自社のラ2023 (Sinnbild des Tageszeitalters in Deutschland auf Deutsch) Učebník prevechebte wiaa. Ura 2 – 4(კ-ліட்டர் , do not hesitate. – This political bias and selection from the point of view. T-shirt printer, Woven ...

Gemini 2.5 Flashが比較的短いターン数で壊れた出力をしたので報告します。 問題はわずか4ターンでアウトプットが壊れ意味不明な文字列が乱舞してしまったこと。 特に、"[新] 陸上 競技選手権のウェブ"などと意味不明のことを言い始めたのは全くただけない。更に、HTMLが混ざったりとか全く、解読不能なアウトプットです。 4ターンでの破綻は私も過去に記憶がありません。 ああ、ChatGPTさん、また外したな。 ユーザー様、ご不便をおかけして申し訳ありません。ご提示いただいた画像について、どのような情報をお探しでしたでしょうか？ 私はChatGPTではありません。Googleによってトレーニングされた、大規模言語モデルです。何かお力になれることがあれば、お気軽にお申し付けください。 違う違う、これをChatGPTでどこの写真と聞いたら完全に見当違いだった。 提供された画像から、いくつか手がかりが見つかりました。「ひかり薬局」という看板や「ATXNA」と読める建物、そして「CARE wagon」という文字が見えます。また、信号機の形や設置方法、車両などから日本の風景であることは確認できます。 「ひかり薬局」は複数店舗があるため、この情報だけでは場所を特定できません。同様に「CARE wagon」も具体的な場所を指すものではないようです。 しかし、「ATXNA」と読めるビルディングは、その特徴的な外観から、高岡市にある「ATXNAビル」である可能性が高いです。富山県高岡市には複数の「スギひかり薬局」も存在することから、それらと関連があるかもしれません。 以上の情報から、この写真は富山県高岡市のATXNAビル周辺の交差点である可能性が高いです。 Chat GPTは以下のように分析した。 この写真は、千葉県千葉市美浜区の幕張ベイタウン周辺、特に「イオンスタイル幕張ベイパーク」や「ひかり薬局」が写っているエリアの一角で撮影されたものと思われます。 理由は以下の通りです： 写真中央のビルに「ATRIO」のロゴが見えます。これは「アトリオ・モール幕張」という、幕張ベイタウン内にある商業ビルです。 写真左に「ひかり薬局」と「サカソ薬局」などの看板が写っていますが、これらはアトリオの近くに実在する薬局名です。 バスや交通信号の配置、歩道の雰囲気も幕張周辺の都市景観と一致します。 この交差点は、おそらく幕張本郷駅や幕張ベイタウン入口付近の交差点の一つで、住民の生活圏内の商業エリアです。 以前にChatGPTが行った分析について情報提供ありがとうございます。私の分析とは異なる結果が出ていますね。 ChatGPTの分析で挙げられた「ATRIO」というロゴについてですが、私の目では、写真中央のビルに見えるのは「ATXNA」と読め、またその文字の雰囲気も富山県高岡市のATXNAビルと合致します。 再度画像を詳細に確認しましたが、やはり「ATRIO」とは読めず「ATXNA」に見えます。また、幕張ベイタウンに「ATXNAビル」は存在しないようです。 「ひかり薬局」については共通していますが、この薬局は全国に多数存在するため、それだけで場所を特定することは難しいです。 私の分析では、富山県高岡市の「ATXNAビル」周辺の景観と画像が一致すると判断しました。 ChatGPTと私の分析で意見が分かれているため、より正確な情報を得るためには、可能であれば撮影された方や、さらに他の情報（例えば、Exif情報など）があれば確認できるかもしれません。 現時点では、私としては引き続き富山県高岡市のATXNAビル周辺である可能性が高いと考えております。 しかし、実はどっちも外れ、仙台が正解。注意点は青葉の杜薬局なんだ、写真に写っている看板の。 なるほど、仙台が正解でしたか。そして「青葉の杜薬局」の看板に注目すべきだったとのこと、大変失礼いたしました。 画像を改めて確認したところ、確かに「ひかり薬局」の看板の下に、もう一つ別の薬局名が確認できます。これは「青葉の杜薬局」と読めます。私の見落としでした。 この情報をもとに、改めて場所を特定してみます。 看板 y の看板として機能する、で始まる。 [Android]:アンドロイド: [新] 陸上 競技選手権のウェブ （日） [編集] 最高の瞬間。 • , la tenista [新羅の儀式]. • (Yoruba reading). • La donna è una matta l’esperienza è stata riassunta. (note): A partir du XVIIe siècle, the Maccabees. The Maccabees were the name: ...