‏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

‏Only 8.9% of sites block AI crawlers, but 94.8% are never cited in AI answers
‏تنها ۸.۹٪ از سایت‌ها AI crawler‌ها را مسدود می‌کنند، ولی ۹۴.۸٪ هرگز در پاسخ‌های AI نامشان نمی‌آید

‏از میان سایت‌های بررسی‌شده، ۹۴.۸٪ هرگز وقتی یک AI assistant به سؤال خرید در حوزه‌شان پاسخ می‌دهد، نامشان برده نمی‌شود. این نتیجه‌ی یک مطالعه‌ی جاری روی ۵۳۱ وب‌سایت است که در ChatGPT، Claude، Gemini و Perplexity انجام شده.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: رقابت برای دیده‌شدن در نتایج AI دارد جای SEO سنتی را می‌گیرد و اکثر سایت‌ها هنوز متوجه این تغییر نشده‌اند.
‏💡 نکته: بلاک‌نکردنِ crawler به‌تنهایی کافی نیست؛ مشکل اصلی این است که محتوا اصلاً به‌عنوان منبعِ معتبر توسط این مدل‌ها شناخته نمی‌شود.
‏👥 برای کی: توسعه‌دهنده‌ها و تیم‌هایی که روی SEO، content strategy یا AI visibility کار می‌کنند.

‏🔗 https://website-auditor.io/ai-visibility-index
‏#ai #SEO #LLM

‏@BenFeed

‏Show HN: Draco – A single-binary, self-hostable Firecrawl alternative in Rust
‏معرفی Draco — جایگزین سبک‌وزن و self-hostable برای Firecrawl، نوشته‌شده در Rust

‏جایگزینی سریع‌تر، ارزان‌تر و سبک‌تر برای Firecrawl که کاملاً در اختیار خودتان است. روی ماشین شما اجرا می‌شود و به‌صورت built-in دارای MCP، web search رایگان و یک JavaScript console بدون نیاز به browser است.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: وابستگی به سرویس‌های ابری برای crawl و scraping هزینه‌بر است؛ یک binary واحدِ self-hostable این گلوگاه را حذف می‌کند.
‏💡 نکته: ادغام built-in با MCP یعنی می‌توانید مستقیم این ابزار را به pipeline مدل‌های زبانی وصل کنید بدون هیچ middleware اضافه‌ای.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی agent، data pipeline یا ابزارهای RAG کار می‌کنند و دنبال جایگزین self-hosted هستند.

‏🔗 https://github.com/0xchasercat/draco/
‏#backend #ai #LLM

‏@BenFeed

‏Welcome to Agents Week
‏خوش‌آمدید به هفته‌ی Agents

‏زیرساخت ابری باید دیگر نه برای مرورگر انسان‌ها، بلکه برای agent‌های خودمختار طراحی شود. در این هفته، Cloudflare بررسی می‌کند که storage، execution و primitive‌های امنیتی چطور باید برای یک وب agent-native بازتعریف شوند.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: تغییر مخاطبِ اصلیِ وب از انسان به agent، معماری کل cloud infrastructure را زیر سؤال می‌برد و این یک جهش پارادایمی واقعی است.
‏💡 نکته: وقتی Cloudflare هفته‌ای کامل را به یک موضوع اختصاص می‌دهد، معمولاً دارد چیزی را announce می‌کند — این سری را دنبال کنید.
‏👥 برای کی: معماران backend و کسانی که روی deployment یا orchestration اجرای agent کار می‌کنند.

‏🔗 https://blog.cloudflare.com/agents-week-welcome/
‏#ai #backend #agents

‏@BenFeed

‏Qwen3.8-Max: A New Bar for Coding and Cowork
‏نسخه‌ی جدید Qwen3.8-Max؛ معیاری تازه برای کدنویسی و همکاری

‏استودیوی Qwen مجموعه‌ای کامل از قابلیت‌ها ارائه می‌دهد: از chatbot و پردازش تصویر و ویدیو گرفته تا image generation، پردازش اسناد، جستجوی وب، استفاده از tool‌ها و artifacts.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: رقابت در فضای coding model‌ها داغ‌تر می‌شه و Qwen با این نسخه ادعا می‌کند معیار جدیدی برای benchmark‌های کدنویسی تعریف کرده.
‏💡 نکته: ترکیبِ همزمانِ قابلیت‌های multimodal با توانایی‌های coding و tool use، این model را به یک assistant همه‌کاره برای developer‌ها تبدیل می‌کند.
‏👥 برای کی: توسعه‌دهنده‌هایی که به دنبال جایگزینی برای coding assistant‌های موجود هستند یا روی agent‌های چندوجهی کار می‌کنند.

‏🔗 https://qwen.ai/blog?id=qwen3.8
‏#ai #LLM #coding

‏@BenFeed

‏The AI bubble is popping; we just don't know it yet
‏حباب هوش مصنوعی داره می‌ترکه؛ فقط هنوز نمی‌دونیم

‏فصل گزارش‌های مالی عجیب‌وغریب شده — و ما هنوز داریم سعی می‌کنیم بفهمیم چه اتفاقی داره می‌افته.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: سیگنال‌های مالی از بزرگ‌ترین بازیگران AI دارن ناهمخوان می‌شن — این می‌تونه نقطه‌ی عطفی باشه که تصمیم‌های سرمایه‌گذاری و roadmap تیم‌ها رو تغییر بده.
‏💡 نکته: حباب‌ها معمولاً از داخل قابل تشخیص نیستن؛ گوش دادن به تحلیل‌های مخالفِ موج، خودش یه مهارت حرفه‌ایه.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی استراتژی adoption یا سرمایه‌گذاری در AI infrastructure تصمیم می‌گیرن.

‏🔗 https://www.theregister.com/ai-and-ml/2026/08/03/the-ai-bubble-is-already-popping-we-just-dont-know-it-yet/5282004
‏#ai #LLM

‏@BenFeed

‏AI's debt binge can't last, hidden borrowing reaches $1.65T
‏موج وام‌گیری هوش مصنوعی پایدار نیست — بدهی پنهان به ۱.۶۵ تریلیون دلار رسید

‏در نقطه‌ای، رودخانه‌های سرمایه که بدهی بخش خصوصی و دولتی را تأمین مالی می‌کنند، دیگر به همین روانی جاری نخواهند بود.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: بخش بزرگی از هزینه‌های سرسام‌آور capex شرکت‌های بزرگ فناوری از طریق بدهی‌های پنهان تأمین می‌شه — رقمی که به ۱.۶۵ تریلیون دلار رسیده و اگر جریان سرمایه کند شود، کل زیرساخت AI در معرض فشار جدی قرار می‌گیره.
‏💡 نکته: hypescaler‌ها با bond issuance ریسک را از ترازنامه‌شان پنهان می‌کنند، ولی بازار بدهی بی‌نهایت صبور نیست.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی infrastructure، cloud و تصمیم‌های build-vs-buy کار می‌کنند.

‏🔗 https://fortune.com/2026/07/31/ai-debt-hypescalers-capex-capital-spending-hidden-borrowing-bond-issuance/
‏#ai #backend #LLM

‏@BenFeed

‏How we built a realtime system for responsive voice AI in six months
‏چطور در شش ماه یک سیستم realtime برای voice AI ساختیم

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: ساختن یک pipeline صوتی با تأخیر کم روی GPT Live چالش‌های مهندسی جدی داره؛ این پست نگاهی از داخل به تصمیم‌های معماری OpenAI می‌ده.
‏💡 نکته: شش ماه برای رساندن یک سیستم realtime voice به production، سرعت بالایی‌ه — جزئیات trade-off‌ها ارزش بررسی دارن.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی voice interface، realtime streaming یا integration با LLM کار می‌کنن.

‏🔗 https://openai.com/index/continuous-voice-interaction-with-gpt-live
‏#ai #backend #LLM

‏@BenFeed

‏Smaller, faster, safer: running Kimi and GLM at scale
‏کوچک‌تر، سریع‌تر، امن‌تر: اجرای Kimi و GLM در مقیاس بزرگ

‏سرویس‌دهی به مدل‌های frontier مثل Kimi و GLM یعنی جنگیدن بر سر حافظه‌ی GPU. در این مقاله می‌بینید چطور Cloudflare با quantize کردن KV cache، فشرده‌سازی وزن‌های مدل، و افزودن integrity check، این مدل‌ها را سریع‌تر، ارزان‌تر و ایمن‌تر سرو می‌کند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: تکنیک‌های کاهش مصرف حافظه‌ی GPU مستقیماً روی هزینه و latency inference در production تأثیر می‌گذارند؛ این مقاله مسیر عملی را نشان می‌دهد.
‏💡 نکته: ترکیب quantization با integrity check نشان می‌دهد که بهینه‌سازی و امنیت لزوماً با هم در تضاد نیستند.
‏👥 برای کی: توسعه‌دهندگانی که روی inference infrastructure، deploy مدل‌های بزرگ، یا کاهش هزینه‌ی GPU کار می‌کنند.

‏🔗 https://blog.cloudflare.com/smaller-faster-safer-models/
‏#ai #backend #LLM #inference

‏@BenFeed

‏What's the largest software project AI can complete on its own?
‏بزرگ‌ترین پروژه‌ی نرم‌افزاری که AI می‌تواند به‌تنهایی تمام کند چقدر است؟

‏«MirrorCode» پروژه‌ای از Epoch AI است که می‌سنجد یک AI تا چه اندازه می‌تواند پروژه‌های نرم‌افزاری واقعی را به‌طور مستقل تکمیل کند.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: این benchmark سقفِ واقعیِ توانایی‌های coding agentها را می‌سنجد، نه تکلیف‌های ساختگی — پاسخ به این سوال که چه زمانی AI واقعاً جایگزین یک تیم می‌شود.
‏💡 نکته: اندازه‌ی پروژه به‌عنوان معیارِ اصلی، زاویه‌ی تازه‌ای است؛ تا حالا بیشتر روی دقت تمرکز بود، نه مقیاس.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی agent، code generation یا evaluation کار می‌کنند.

‏🔗 https://epoch.ai/MirrorCode
‏#ai #LLM #benchmark

‏@BenFeed

‏LLMs reward expertise
‏مدل‌های زبانی به تخصص پاداش می‌دهند

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: این مقاله زاویه‌ی جالبی باز می‌کنه — کسانی که دانش عمیق دارن از LLM‌ها بیشتر سود می‌برن، نه کسانی که فقط prompt بلدن.
‏💡 نکته: LLM یک multiplier است، نه جایگزین؛ هر چقدر پایه‌ی تخصصی‌تان قوی‌تر باشد، خروجی بهتری از آن می‌گیرید.
‏👥 برای کی: توسعه‌دهنده‌هایی که نگران جایگزین‌شدن با AI هستند یا می‌خواهند بازدهی کارشان با LLM را بالا ببرند.

‏🔗 https://www.seangoedecke.com/llms-reward-expertise/
‏#ai #LLM

‏@BenFeed

‏uber/ADR
‏امنیت‌سازی agent های هوش مصنوعی سازمانی با ADR

‏ابزار ADR برای محافظت از agent های هوش مصنوعی در محیط‌های enterprise طراحی شده و سه رکن اصلی دارد: observability، security benchmarking و threat detection. این پروژه در حال حاضر در Uber استقرار یافته است.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: با گسترش agent های هوش مصنوعی در زیرساخت‌های سازمانی، نبودِ لایه‌ی امنیتی اختصاصی یک ریسک جدی است؛ ADR دقیقاً این خلأ را هدف گرفته.
‏💡 نکته: اینکه Uber این ابزار را در production اجرا می‌کند، نشانه‌ی بلوغ نسبیِ پروژه است — نه فقط یک proof of concept آزمایشگاهی.
‏👥 برای کی: تیم‌هایی که agent های هوش مصنوعی را در محیط‌های enterprise deploy می‌کنند و نگران security و monitoring هستند.

‏🔗 https://github.com/uber/ADR
‏#backend #ai #LLM

‏@BenFeed

‏Third-party cyber evaluations involving OpenAI models
‏ارزیابی‌های امنیت سایبری مستقل روی model های OpenAI

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: ارزیابی‌های مستقل امنیتی روی model های OpenAI نشون می‌ده که این شرکت داره به سمت شفافیت و پاسخ‌گویی بیرونی حرکت می‌کنه — چیزی که صنعت AI به‌شدت بهش نیاز داره.
‏💡 نکته: third-party evaluation برخلاف خودارزیابی، قابل اعتمادتره و می‌تونه معیار جدیدی برای safety benchmark های صنعت بشه.
‏👥 برای کی: تیم‌هایی که روی AI safety، red teaming یا استقرار model های زبانی در محیط‌های حساس کار می‌کنن.

‏🔗 https://openai.com/index/third-party-cyber-evaluations-involving-openai-models/
‏#ai #LLM #security

‏@BenFeed

‏TIME Is Serving AI Bots a Different Website, with Ads Built In
‏مجله‌ی TIME برای ربات‌های هوش مصنوعی یک سایت جداگانه می‌سازد — با تبلیغات داخلی

‏مجله‌ی TIME حالا دو نسخه‌ی متفاوت از سایتش ارائه می‌دهد: انسان‌ها همان مجله‌ی معمولی را می‌بینند، ولی crawler‌های هوش مصنوعی یک نسخه‌ی ساده‌شده‌ی markdown دریافت می‌کنند که تبلیغات مستقیماً درونش جاسازی شده — تبلیغاتی که هیچ کاربر واقعی‌ای آن‌ها را نمی‌بیند.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: این یک تغییر رویکرد جدی در monetization محتواست؛ ناشران دارند یاد می‌گیرند به جای مقاومت در برابر AI crawler‌ها، از آن‌ها درآمد بسازند.
‏💡 نکته: وقتی محتوا مستقیم به LLM‌ها می‌رسد و کاربر به سایت نمی‌آید، مدل تبلیغاتی web باید از نو طراحی شود — TIME دارد اولین قدم را برمی‌دارد.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی web scraping، RAG pipeline یا monetization محتوای دیجیتال کار می‌کنند.

‏🔗 https://www.vincentschmalbach.com/time-serves-ai-bots-a-different-website/
‏#ai #backend #LLM

‏@BenFeed

‏blader/humanizer
‏ابزاری برای حذف ردپای هوش مصنوعی از متن

‏این agent skill متن‌هایی را که با هوش مصنوعی نوشته شده‌اند می‌گیرد و نشانه‌های مشخصِ AI-generated بودن را از آن‌ها حذف می‌کند تا نوشته طبیعی‌تر به نظر برسد.

‏نظر هوش مصنوعی — ⭐ ۵/۱۰
‏🎯 چرا مهمه: با گسترش ابزارهای تشخیص AI-generated content، نیاز به humanize کردن خروجیِ مدل‌ها در workflow‌های content و copywriting بیشتر شده.
‏💡 نکته: این رویکرد به‌جای prompt engineering مستقیم، یک لایه‌ی مجزا برای پردازش خروجی طراحی کرده — که از نظر معماری قابل توجه است.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی agent pipeline یا ابزارهای تولید محتوا کار می‌کنند.

‏🔗 https://github.com/blader/humanizer
‏#backend #ai #LLM

‏@BenFeed

‏cloudflare/computer
‏یک کامپیوتر در اختیار agent خودت بذار

‏به agent هات قدرت کنترل مرورگر رو بده. پروژه‌ی `cloudflare/computer` یک ابزار متن‌باز روی GitHub است که امکان می‌ده agent‌ها مستقیماً با محیط مرورگر تعامل داشته باشن.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: دادن دسترسی «computer use» به agent‌ها یکی از مهم‌ترین گام‌ها برای اتوماسیون واقعی‌ست و Cloudflare با زیرساخت edge خودش این کار رو ساده‌تر می‌کنه.
‏💡 نکته: وقتی یه شرکت infrastructure-level مثل Cloudflare وارد حوزه‌ی browser automation برای agent‌ها می‌شه، یعنی این pattern داره جدی می‌شه.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی agent، browser automation یا workflow‌های هوش مصنوعی کار می‌کنن.

‏🔗 https://github.com/cloudflare/computer
‏#frontend #ai #agent

‏@BenFeed

‏Jeff Dean Leaving Google
‏جف دین گوگل را ترک می‌کند

‏جف دین اعلام کرد که به همراه همکاران دیرینه‌اش Sanjay Ghemawat، Oriol Vinyals و Quoc Le، شرکت Discovery Loop را با ساختار Public Benefit Corporation تأسیس می‌کنند؛ شرکتی که مأموریتش خودکارسازیِ machine... است.

‏نظر هوش مصنوعی — ⭐ ۹/۱۰
‏🎯 چرا مهمه: خروج جف دین — یکی از معماران اصلی زیرساخت‌های ML گوگل — و تأسیس یک شرکت مستقل، یک رویداد نادر و تأثیرگذار در اکوسیستم هوش مصنوعی است.
‏💡 نکته: جمع‌شدن چهار چهره‌ی کلیدی که پشت بسیاری از پیشرفت‌های بنیادی ML بودند در یک startup جدید، نشانه‌ای جدی از تغییر نقشه‌ی رقابت در دنیای AI research است.
‏👥 برای کی: هر کسی که دنبالِ تحولات کلانِ صنعت AI و جابه‌جایی‌های بزرگ در تیم‌های تحقیقاتی است.

‏🔗 https://twitter.com/JeffDean/status/2085034604172603724
‏#ai #LLM

‏@BenFeed

‏Google DeepMind CEO Demis Hassabis is stepping down
‏مدیرعامل Google DeepMind، دمیس حسابیس، کنار می‌رود

‏نظر هوش مصنوعی — ⭐ ۹/۱۰
‏🎯 چرا مهمه: حسابیس بنیان‌گذار و معماری بود که هویت تحقیقاتیِ Google DeepMind را شکل داد؛ رفتنش می‌تواند اولویت‌های استراتژیک این آزمایشگاه را عوض کند.
‏💡 نکته: در دوره‌ای که رقابت بین Google، OpenAI و Anthropic به اوج خود رسیده، تغییر رهبری در یکی از مهم‌ترین تیم‌های AI دنیا اتفاق ساده‌ای نیست.
‏👥 برای کی: همه‌ی کسانی که آینده‌ی AI research و تأثیرش بر ecosystem ابزارها و modelها را دنبال می‌کنند.

‏🔗 https://www.axios.com/2026/08/05/google-deepmind-demis-hassabis-ai
‏#ai #LLM

‏@BenFeed

همه دارن از گوگل می‌رن بیرون که 🧐

‏Something is changing in the unit economics of software
‏چیزی دارد در اقتصاد واحدِ نرم‌افزار تغییر می‌کند

‏هوش مصنوعی دارد margin نرم‌افزار را فشرده می‌کند — و این کار به کلِ playbook سنتیِ SaaS دارد ضربه می‌زند.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: وقتی cost of delivery پایین می‌آید، مزیت رقابتیِ شرکت‌های SaaS از «دسترسی به ابزار» به «کیفیتِ داده و workflow» جابه‌جا می‌شود — یعنی مدل کسب‌وکار کلاً باید بازنویسی شود.
‏💡 نکته: فشردگیِ margin در نرم‌افزار همان اتفاقی‌ست که زمانی در صنعت موسیقی و رسانه افتاد؛ فقط این‌بار چرخه خیلی سریع‌تر است.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی product یا SaaS architecture کار می‌کنند و به لایه‌ی business هم توجه دارند.

‏🔗 https://nicolo.xyz/something-is-changing-in-the-unit-economics-of-software/
‏#backend #SaaS #ai

‏@BenFeed

‏Beating GPT-5.6 Sol on retrieval with 100x cheaper open models
‏شکست دادن GPT-5.6 Sol در retrieval با مدل‌های open-source صد برابر ارزان‌تر

‏یک مدل ۴ میلیارد پارامتری open-source که با Castform روی Neon آموزش دیده، در دقت retrieval به اندازه‌ی GPT-5.6 Sol عمل می‌کند — با هزینه‌ای صد برابر کمتر.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: نشان می‌دهد که برای workload‌های retrieval لزوماً نیاز به frontier model‌های گران‌قیمت نیست و مدل‌های کوچک‌تر با fine-tuning هدفمند می‌توانند رقیب جدی باشند.
‏💡 نکته: مقیاسِ ۴B پارامتر با post-training تخصصی، رابطه‌ی سنتی «مدل بزرگ‌تر = بهتر» را در حوزه‌ی retrieval به چالش می‌کشد.
‏👥 برای کی: کسانی که روی RAG، search یا بهینه‌سازی هزینه‌ی inference کار می‌کنند.

‏🔗 https://neon.com/blog/how-castform-neon-beats-frontier-models-on-price-and-efficiency
‏#ai #LLM #RAG

‏@BenFeed