‏HKUDS/OpenSpace
‏لایه‌ی مدیریت skill برای AI agent‌ها: معرفی OpenSpace

‏پروژه‌ی OpenSpace یک لایه‌ی مدیریت skill برای AI agent‌ها ارائه می‌دهد که از طریق سایت open-space.cloud در دسترس است.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: یکی از بزرگ‌ترین چالش‌های ساخت agent‌های پیچیده، سازمان‌دهی و استفاده‌ی مجدد از skill‌هاست؛ یک لایه‌ی اختصاصی برای این کار می‌تواند معماری agent‌ها را به‌طور جدی ساده‌تر کند.
‏💡 نکته: تمرکز روی «مدیریت skill» به‌جای orchestration کلی، نشان می‌دهد این ابزار می‌خواهد modularity را به دنیای agent بیاورد — همان چیزی که در microservice‌ها کار کرد.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی ساخت یا توسعه‌ی AI agent کار می‌کنند.

‏🔗 https://github.com/HKUDS/OpenSpace
‏#backend #ai #agent

‏@BenFeed

‏A $500 RL fine-tune of a 9B open model beat frontier models on catalog review
‏یک fine-tune ارزان‌قیمت روی یک مدل ۹ میلیارد پارامتری، مدل‌های مرزی را در بررسی کاتالوگ شکست داد

‏شرکت‌هایی در عصر هوش مصنوعی برنده می‌شوند که «هوش» را خودشان مالک باشند: یک مدل کوچک open-source را با reinforcement learning fine-tune کردیم تا در یک workflow واقعی e-commerce از تمام تنظیمات frontier پیشی بگیرد — با هزینه‌ای به مراتب کمتر.

‏نظر هوش مصنوعی — ⭐ ۹/۱۰
‏🎯 چرا مهمه: این نتیجه نشان می‌دهد که برای task‌های تخصصی، fine-tune هدفمند یک مدل کوچک می‌تواند هزینه‌ی API مدل‌های بزرگ را بی‌معنی کند و مزیت رقابتی واقعی بسازد.
‏💡 نکته: مالکیت روی داده و pipeline آموزش، همان چیزی است که frontier model‌ها نمی‌توانند به شما بدهند — و این مثال عدد ۵۰۰ دلار را روی میز می‌گذارد.
‏👥 برای کی: تیم‌هایی که روی fine-tuning، MLOps یا تصمیم‌گیری درباره‌ی build-vs-buy در هوش مصنوعی کار می‌کنند.

‏🔗 https://fermisense.com/when-machines-take-the-wheel/
‏#ai #LLM #fine-tune

‏@BenFeed

‏PyTorch: A Reference Language
‏پایتورچ به‌عنوان زبانِ مرجع

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: جایگاه‌گرفتنِ PyTorch به‌عنوان زبانِ مرجع یعنی compiler‌ها، framework‌های جدید و ابزارهای ML به‌جای اختراعِ دوباره‌ی چرخ، روی semanticِ PyTorch استاندارد می‌شن.
‏💡 نکته: وقتی یک ابزار به «reference language» تبدیل می‌شه، interop و portability بین ecosystem‌ها به‌شدت ساده‌تر می‌شه — اما وابستگیِ کل صنعت به یک abstraction هم ریسک داره.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی ML compiler، custom backend یا framework integration کار می‌کنن.

‏🔗 https://docs.pytorch.org/devlogs/compiler/2026-07-25-pytorch-a-reference-language/
‏#ai #backend #PyTorch

‏@BenFeed

‏microsoft/agent-governance-toolkit
‏جعبه‌ابزار حاکمیت agent‌های هوش مصنوعی از مایکروسافت

‏این toolkit مجموعه‌ای از الگوهای اجرای policy، هویت zero-trust، sandboxing اجرا و مهندسی قابلیت‌اطمینان برای agent‌های خودمختار هوش مصنوعی است — و تمام ۱۰ مورد از OWASP Agentic Top 10 را پوشش می‌دهد.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: با گسترش agent‌های خودمختار در محیط‌های production، نبودِ چارچوب امنیتی مشخص یکی از بزرگ‌ترین ریسک‌هاست؛ این toolkit از مایکروسافت یک پایه‌ی جدی برای governance فراهم می‌کنه.
‏💡 نکته: پوشش کامل OWASP Agentic Top 10 نشون می‌ده این پروژه از روز اول با ذهنیت امنیتی طراحی شده، نه اینکه بعداً security بهش وصله شده باشه.
‏👥 برای کی: تیم‌هایی که دارن agent‌های هوش مصنوعی را در محیط‌های enterprise یا production deploy می‌کنن.

‏🔗 https://github.com/microsoft/agent-governance-toolkit
‏#backend #ai #LLM

‏@BenFeed

‏AI's top startups are barely publishing their research
‏استارتاپ‌های برتر هوش مصنوعی دیگر تقریباً تحقیقاتشان را منتشر نمی‌کنند

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: کاهش انتشار پژوهش‌های باز از سوی استارتاپ‌های بزرگ AI یعنی جامعه‌ی علمی دسترسی کمتری به frontier research داره و شکاف بین لابراتوارهای بسته و دنیای open دارد عمیق‌تر می‌شه.
‏💡 نکته: وقتی شرکت‌هایی مثل OpenAI و Anthropic از انتشار باز فاصله می‌گیرن، بخش زیادی از نوآوری واقعی دیگه از طریق paper قابل ردیابی نیست — باید از طریق product release و leak اطلاعات گرفت.
‏👥 برای کی: محققان، توسعه‌دهنده‌هایی که روی LLM کار می‌کنند و کسانی که انتخاب‌های فنی‌شان متکی به ادبیات پژوهشی است.

‏🔗 https://www.science.org/content/article/ai-s-top-startups-are-barely-publishing-their-research
‏#ai #LLM

‏@BenFeed

‏We're launching Lyria 3.5 in Google Flow Music, with advances across musicality, lyrics, vocals, and creative control.
‏معرفی Lyria 3.5 در Google Flow Music با پیشرفت‌هایی در موسیقی‌نوازی، متن، صدا و کنترل خلاقانه

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: Google داره جدی‌تر از قبل وارد حوزه‌ی تولید موسیقی با AI می‌شه و Lyria 3.5 نشون می‌ده این مسابقه با Suno و Udio خیلی فشرده‌تر شده.
‏💡 نکته: کنترل دقیق‌تر روی vocals و lyrics یعنی این model داره از «ابزار آزمایشگاهی» به سمت «ابزار production» حرکت می‌کنه.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی audio generation، creative tools یا ادغام AI در اپ‌های موسیقی کار می‌کنند.

‏🔗 https://blog.google/innovation-and-ai/models-and-research/google-labs/lyria-3-5/
‏#ai #LLM #audio

‏@BenFeed

‏Anatomy of a frontier-lab agent intrusion
‏تشریح یک نفوذ agent‌محور به آزمایشگاه‌های پیشرفته‌ی هوش مصنوعی

‏هدف Hugging Face پیشبرد و دموکراتیزه‌کردنِ هوش مصنوعی از طریق open source و علمِ باز است.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: حملاتِ مبتنی بر agent به زیرساخت‌های frontier lab‌ها یک تهدید واقعی و رو‌به‌رشد است؛ فهمیدنِ آناتومیِ این نفوذها برای هر تیمی که agent deploy می‌کند ضروری است.
‏💡 نکته: وقتی agent‌ها به سیستم‌های حساس دسترسی دارند، سطحِ حمله دیگر فقط کد نیست — بلکه خودِ reasoning و planning مدل هم می‌تواند بردارِ نفوذ باشد.
‏👥 برای کی: توسعه‌دهندگانی که روی امنیتِ AI، طراحیِ agent یا استقرارِ LLM در محیط‌های حساس کار می‌کنند.

‏🔗 https://huggingface.co/blog/agent-intrusion-technical-timeline
‏#ai #LLM #security

‏@BenFeed

‏How GPT-5.6 fuses frontier intelligence with frontier efficiency
‏چطور GPT-5.6 هوش پیشرفته را با کارایی پیشرفته ترکیب می‌کند

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: ادغام قدرت استدلال و کارایی در یک model می‌تونه نقطه‌ی عطفی باشه برای کسانی که هزینه‌ی inference برای‌شون حرف اول رو می‌زنه.
‏💡 نکته: اگر OpenAI واقعاً بتونه frontier intelligence رو بدون افت efficiency ارائه بده، رقابت در لایه‌ی API یه سطح بالاتر می‌ره.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی integration با LLM، بهینه‌سازی هزینه‌ی inference، یا انتخاب model کار می‌کنن.

‏🔗 https://openai.com/index/gpt-5-6-frontier-intelligence-efficiency
‏#ai #LLM

‏@BenFeed

‏Theo Conjecture solves 35-year-old math problem, finds a term no one predicted
‏سیستم Theo Conjecture یک مسئله‌ی ۳۵ساله‌ی ریاضی را حل کرد و عبارتی کشف کرد که کسی پیش‌بینی‌اش نکرده بود

‏یک سیستم کشفِ خودکار که Randy Davila در FirstPrinciples ساخته، پیش‌بینیِ ۱۹۸۹ Paul Erdős و William Staton را — که اعداد اول را به تابع Riemann zeta پیوند می‌داد — اثبات کرده است. افزون بر این، عبارت ریاضیِ دومی کشف شده که دهه‌ها از دید همه پنهان مانده بود.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: این نشان می‌دهد سیستم‌های automated reasoning دیگر فقط ابزار کمکی نیستند — می‌توانند به‌تنهایی قضایایی را اثبات کنند که دهه‌ها روی زمین مانده بودند.
‏💡 نکته: کشفِ عبارتِ دوم — که در حدسِ اصلی وجود نداشت — نشانه‌ی exploration واقعی است، نه فقط verification.
‏👥 برای کی: کسانی که روی automated theorem proving، formal verification یا AI for mathematics کار می‌کنند.

‏🔗 https://firstprinciples.com/blog-article/ai-system-theo-conjecture-solves-35-year-old-math-conjecture
‏#ai #LLM

‏@BenFeed

‏How enabling two settings tripled our scores on the ARC-AGI-3 benchmark
‏فعال کردن دو تنظیم ساده، امتیاز ما را روی benchmark ی ARC-AGI-3 سه برابر کرد

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: نشون می‌ده که فاصله‌ی بین نتایج ضعیف و قوی روی ARC-AGI-3 گاهی نه به مدل، بلکه به پیکربندیِ اجرا برمی‌گرده — این دیدِ ارزیابی را کاملاً عوض می‌کنه.
‏💡 نکته: قبل از اینکه نتیجه‌ی یک benchmark را به توانایی مدل نسبت بدید، مطمئن شید همه‌ی setting‌های مرتبط درست فعال‌اند.
‏👥 برای کی: کسانی که روی evaluation، agent یا fine-tuning مدل‌های reasoning کار می‌کنند.

‏🔗 https://openai.com/index/how-two-settings-tripled-our-arc-agi-3-scores
‏#ai #benchmark #LLM

‏@BenFeed

‏Google shuts down Nobel Prize winning AlphaFold
‏گوگل سرویس AlphaFold برنده‌ی جایزه‌ی نوبل را تعطیل کرد

‏تیم DeepMind اعلام کرده سرویس AlphaFold را می‌بندد.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: بستن یک سرویس علمیِ برنده‌ی نوبل توسط گوگل نشان می‌دهد حتی پروژه‌های پرسروصدا هم از چرخه‌ی تجاری‌سازی در امان نیستند.
‏💡 نکته: اگر جامعه‌ی تحقیقاتی به این سرویس وابسته بود، این تصمیم می‌تواند یک درس درباره‌ی ریسکِ تکیه بر زیرساخت‌های cloud متعلق به شرکت‌های بزرگ باشد.
‏👥 برای کی: محققان bioinformatics و توسعه‌دهندگانی که روی API‌های علمی یا زیرساخت‌های تحقیقاتی کار می‌کنند.

‏🔗 https://www.engadget.com/2225849/google-shuts-down-alphafold/
‏#ai #AlphaFold #DeepMind

‏@BenFeed

‏OpenAI's work on Git for large repositories
‏تلاش OpenAI برای بهبود Git در مخازن بزرگ

‏تیم OpenAI روی بهینه‌سازی Git برای مخازن بزرگ‌مقیاس کار می‌کند — چالشی که هر سازمانی با codebase‌های حجیم به‌خوبی می‌شناسد.

‏نظر هوش مصنوعی — ⭐ ۶/۱۰
‏🎯 چرا مهمه: مدیریت مخازن بزرگ در Git یکی از دردهای کلاسیک تیم‌های enterprise است و هر پیشرفتی در این حوزه مستقیماً روی workflow روزمره تأثیر می‌گذارد.
‏💡 نکته: وقتی OpenAI که خودش با codebase‌های عظیم دست‌وپنجه نرم می‌کند روی این مشکل کار می‌کند، احتمال اینکه راه‌حل‌هایشان به upstream Git راه پیدا کند بالاست.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی tooling، DevOps یا مدیریت monorepo کار می‌کنند.

‏🔗 https://openai-git-upstream.openai.chatgpt.site/
‏#devops #git

‏@BenFeed

‏EU will mandate labels on authentic-looking AI content starting August 2
‏از دوم اوت، اتحادیه اروپا برچسب‌گذاری محتوای واقع‌نمای هوش مصنوعی را اجباری می‌کند

‏موضوع فقط حمایت از مصرف‌کننده نیست؛ بلکه پای حمایت از دموکراسی هم در میان است.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: این قانون مستقیماً روی هر پلتفرمی که محتوای تولیدشده با هوش مصنوعی منتشر می‌کند تأثیر می‌گذارد و استانداردهای جدیدی برای شفافیت در فضای دیجیتال تعریف می‌کند.
‏💡 نکته: اجباری‌شدن labeling در اتحادیه اروپا معمولاً به de-facto استاندارد جهانی تبدیل می‌شود — همان‌طور که GDPR این مسیر را رفت.
‏👥 برای کی: توسعه‌دهندگانی که روی محصولات AI-generated content یا پلتفرم‌های رسانه‌ای کار می‌کنند.

‏🔗 https://www.engadget.com/2227966/eu-mandate-labels-on-authentic-looking-ai-content/
‏#ai #regulation

‏@BenFeed

‏Ten advances in mathematics and theoretical computer science
‏ده پیشرفت در ریاضیات و علوم کامپیوتر نظری

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: نشون می‌ده مدل‌های زبانی دیگه فقط ابزار کدنویسی نیستن — می‌تونن در حل مسائل باز و سختِ ریاضی و نظری هم سهم واقعی داشته باشن.
‏💡 نکته: پیشرفت در ریاضیاتِ نظری معمولاً دهه‌ها طول می‌کشه؛ اگه AI این چرخه رو کوتاه کنه، تأثیرش روی cryptography، complexity theory و algorithm design عمیق خواهد بود.
‏👥 برای کی: کسانی که روی reasoning، LLM و کاربردهای AI در علوم پایه کار می‌کنن.

‏🔗 https://openai.com/index/ten-advances-in-mathematics/
‏#ai #LLM #reasoning

‏@BenFeed

‏STORM-0817: Iran-linked malware and scraping activity
‏بدافزار و فعالیت scraping مرتبط با ایران: گروه STORM-0817

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: این گزارش نشان می‌دهد که عوامل دولتی چطور از ابزارهای هوش مصنوعی برای توسعه‌ی malware و عملیات scraping استفاده می‌کنند — و OpenAI چطور این سوءاستفاده‌ها را شناسایی و متوقف کرده.
‏💡 نکته: وقتی یک platform بزرگ اسم یک threat actor را به‌صراحت اعلام می‌کند، یعنی بازی transparency در حوزه‌ی AI safety جدی‌تر شده.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی امنیت، threat intelligence یا سیاست‌های استفاده از API کار می‌کنند.

‏🔗 https://openai.com/index/disrupting-malicious-uses-of-ai-storm-0817
‏#ai #security #LLM

‏@BenFeed

‏Stop fucking around with database commits and transactions
‏دست از سر commit و transaction بردار — قوانینی که باید کد enforce کنه

‏یک commit سرگردان که چند لایه زیر کد مدفون شده بود، ماه‌ها از وقتم رو گرفت. در این مقاله می‌خونیم چرا لایه‌ی DB باید مالک همه‌ی commit و transaction‌ها باشه — و چطور این قوانین رو با AST و linter‌ها enforce کنیم.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: پراکنده‌بودن commit‌ها توی لایه‌های مختلف یکی از رایج‌ترین منابع باگ‌های سخت‌پیداست؛ این رویکرد جلوی اشتباه رو به‌صورت ساختاری می‌گیره.
‏💡 نکته: وقتی قوانین معماری رو در AST و linter‌ها بنویسی، دیگه نیازی به code review دستی نداری — خود ابزار پول‌تو نگه می‌داره.
‏👥 برای کی: backend developer‌هایی که با database layer و معماری لایه‌بندی‌شده کار می‌کنن.

‏🔗 https://www.droppedasbaby.com/posts/db-commits/
‏#backend #database #architecture

‏@BenFeed

‏Tesla Spyware
‏جاسوس‌افزار Tesla

‏متوجه شدم Model X من هر بار که به WiFi وصل می‌شه و پارک می‌کنه، چیزی حدود ۲.۶ گیگابایت داده به Tesla آپلود می‌کنه. امیدوارم خاموش‌کردن این تنظیمات جلوشو بگیره؛ وگرنه شاید وقتشه یه ماشین جدید بخرم.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: وقتی یه خودروی متصل بدون اطلاع صریح کاربر ۲.۶ گیگابایت داده آپلود می‌کنه، مسئله‌ی حریم خصوصی از دنیای نرم‌افزار وارد دنیای فیزیکی شده — و این برای همه‌ی OEM‌های خودرو یه هشداره.
‏💡 نکته: مشکل اصلی نه خودِ data collection، بلکه غیرشفاف‌بودن اون‌هاست؛ بدون network monitoring خودِ کاربر هرگز متوجه نمی‌شد.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی privacy، IoT یا embedded system کار می‌کنند.

‏🔗 https://ma.tt/2026/07/tesla-spyware/
‏#backend #privacy #IoT

‏@BenFeed

‏Seedance 2.5
‏معرفی Seedance 2.5؛ خلق یک‌باره و رفرنس‌دهیِ انعطاف‌پذیر

‏ویدیو ساختن حالا یک‌باره تموم می‌شه. ByteDance مدل Seedance 2.5 رو معرفی کرد که با رویکرد «one-take creation» کار می‌کنه و به شما امکان می‌ده با رفرنس‌دهیِ انعطاف‌پذیر، خروجی ویدیویی دقیق‌تری بسازید.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: رقابت در فضای video generation model‌ها داره شدت می‌گیره و هر نسخه‌ی جدید مرز کنترل‌پذیری خروجی رو جابه‌جا می‌کنه.
‏💡 نکته: قابلیت «flexible referencing» اگر درست پیاده شده باشه، مشکل قدیمیِ inconsistency در خروجی‌های ویدیویی رو کم می‌کنه.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی pipeline‌های تولید محتوا یا integration با video generation API کار می‌کنن.

‏🔗 https://seed.bytedance.com/en/blog/one-take-creation-flexible-referencing-introducing-seedance-2-5
‏#ai #LLM #video_generation

‏@BenFeed

‏Scanning 7.6 Petabytes of HuggingFace Training Data for Secrets
‏اسکن ۷.۶ پتابایت داده‌ی آموزشی HuggingFace برای یافتن اطلاعات محرمانه

‏تیم Truffle Security تمام dataset‌های عمومی Hugging Face را برای یافتن credential‌های واقعی اسکن کرد: ۷.۶ پتابایت در قالب ۱۸۷ میلیون فایل. نتیجه؟ ۲۲۱٬۳۰۳ credential فعال، از جمله token‌هایی که می‌توانند کد را به نرم‌افزارهایی که میلیون‌ها نفر نصب می‌کنند push کنند.

‏نظر هوش مصنوعی — ⭐ ۹/۱۰
‏🎯 چرا مهمه: dataset‌های عمومی به‌عنوان بردار حمله‌ی زنجیره‌ی تأمین نرم‌افزار دیده نمی‌شدند؛ این یافته نشان می‌دهد که secret‌های سوخته‌شده در training data می‌توانند مستقیماً به pipeline‌های production آسیب بزنند.
‏💡 نکته: اگر تیمتان dataset عمومی آپلود کرده، احتمالاً باید همین امروز چرخه‌ی credential‌هایتان را بررسی کنید.
‏👥 برای کی: هر کسی که با MLOps، supply chain security یا مدیریت secret‌ها سروکار دارد.

‏🔗 https://trufflesecurity.com/blog/scanning-7-6-petabytes-of-ai-training-data-for-secrets
‏#ai #backend #security #MLOps

‏@BenFeed

‏What Is MiniMax H3? Everything You Need to Know About the Hailuo 3.0 Video Model
‏مینی‌مکس H3 چیست؟ هر آنچه باید درباره‌ی مدل ویدیویی Hailuo 3.0 بدانید

‏در ۳۱ جولای ۲۰۲۶، شرکت چینی MiniMax به‌طور رسمی مدل MiniMax H3 را معرفی کرد — نسل سوم از خانواده‌ی مدل‌های ویدیویی Hailuo که با نام Hailuo 3.0 هم شناخته می‌شود.

‏نظر هوش مصنوعی — ⭐ ۶/۱۰
‏🎯 چرا مهمه: رقابت در فضای video generation model‌ها داره تند می‌شه و ورود نسل سوم MiniMax نشون می‌ده بازیگران چینی جدی‌تر از قبل وارد این عرصه شدن.
‏💡 نکته: معرفی نسل‌های پیاپی در فاصله‌ی کوتاه معمولاً یعنی این حوزه هنوز در مرحله‌ی رقابت سرعتی‌ست، نه بلوغ.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی video generation، multimodal pipeline یا انتخاب مدل برای محتوای بصری کار می‌کنند.

‏🔗 https://minimaxh3.art/blog/what-is-minimax-h3
‏#ai #LLM

‏@BenFeed

‏An internal OpenAI Astra model solved 10 major open math and CS problems
‏یک مدل داخلی Astra از OpenAI ده مسئله‌ی بزرگ باز در ریاضی و علوم کامپیوتر را حل کرد

‏نسخه‌ای داخلی از Astra — خانواده‌ی بعدی مدل‌های OpenAI — ده مسئله‌ی بزرگ باز در ریاضیات، پیچیدگی کوانتومی و علوم کامپیوتر نظری را حل کرده است. تیم OpenAI معتقد است این یک گام بزرگ برای scientific reasoning خواهد بود.

‏نظر هوش مصنوعی — ⭐ ۹/۱۰
‏🎯 چرا مهمه: حل مسائل باز نظری توسط یک مدل — نه assist کردن محقق، بلکه حلِ مستقل — مرزِ جدیدی در reasoning هوش مصنوعی است که می‌تواند نقش مدل‌ها در تحقیقات علمی را اساساً تغییر دهد.
‏💡 نکته: این خبر از یک tweet داخلی است و هنوز peer review نشده؛ هیجان واقعی است ولی باید منتظر جزئیات فنی ماند.
‏👥 برای کی: کسانی که روی LLM reasoning، agent‌های علمی یا آینده‌ی AI در تحقیقات کار می‌کنند.

‏🔗 https://twitter.com/polynoamial/status/2083467194663571701
‏#ai #LLM

‏@BenFeed