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
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
Seangoedecke
LLMs reward expertise
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
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
GitHub
GitHub - uber/ADR: ADR secures enterprise AI agents through observability, security benchmarking, and threat detection. Deployed…
ADR secures enterprise AI agents through observability, security benchmarking, and threat detection. Deployed at Uber. - uber/ADR
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
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
OpenAI
Third-party cyber evaluations involving OpenAI models
OpenAI explains recent third-party cybersecurity evaluation incidents and outlines new safeguards to strengthen AI model testing and evaluation.
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
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
Vincent Schmalbach
TIME Is Serving AI Bots a Different Website, With Ads Built In
TIME is now serving two different versions of its website. Humans get the magazine. AI crawlers get a stripped down markdown copy with ads baked in that no person will ever see. I fetched one ordinary…
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
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
GitHub
GitHub - blader/humanizer: Agent skill that removes signs of AI-generated writing from text
Agent skill that removes signs of AI-generated writing from text - blader/humanizer
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
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
GitHub
GitHub - cloudflare/computer: Give your agent a computer 👾
Give your agent a computer 👾. Contribute to cloudflare/computer development by creating an account on GitHub.
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
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
X (formerly Twitter)
Jeff Dean (@JeffDean) on X
Announcing Discovery Loop!
I am very excited to announce that, along with my longtime friends and collaborators @Sanjay_Ghemawat, @OriolVinyalsML and @quocleix, we are founding Discovery Loop (@DiscoLoopAI), a Public Benefit Corporation whose mission is…
I am very excited to announce that, along with my longtime friends and collaborators @Sanjay_Ghemawat, @OriolVinyalsML and @quocleix, we are founding Discovery Loop (@DiscoLoopAI), a Public Benefit Corporation whose mission is…
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
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
Axios
Google DeepMind CEO Demis Hassabis is stepping aside
oogle's AI organization is undergoing a profound change as the company struggles to keep pace with OpenAI and Anthropic.
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
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
Nicolo's Notes
Something Is Changing in the Unit Economics of Software
Why AI is compressing software margins, and what that does to the SaaS playbook
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
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
Neon
Training 100x Cheaper Retrieval models Neon and Castform - Neon
A 4B open-source model post-trained with Castform retrieved search results as accurately as GPT-5.6 Sol, while costing 100x less.
vLLM: Anatomy of a High-Throughput LLM Inference System
کالبدشکافی یک سیستم inference پرتوان برای LLMها
از paged attention و continuous batching گرفته تا prefix caching و speculative decoding — این مقاله کل معماری vLLM را زیر ذرهبین میبرد و نشان میدهد چطور در مقیاس multi-GPU و multi-node به serving پویا میرسد.
نظر هوش مصنوعی — ⭐ ۹/۱۰
🎯 چرا مهمه: هر تیمی که LLM را در production سرو میکند باید بداند چرا vLLM اینقدر سریعتر از راهحلهای ساده است؛ این مقاله دقیقاً همان جاهایی را توضیح میدهد که مستندات رسمی از آنها رد میشوند.
💡 نکته: درک paged attention بهعنوان «virtual memory برای KV cache» یک ذهنیتسازِ قوی است که تصمیمهای معماری را خیلی ملموستر میکند.
👥 برای کی: توسعهدهندههایی که روی inference، serving infrastructure یا بهینهسازی LLM کار میکنند.
🔗 https://www.aleksagordic.com/blog/vllm
#ai #LLM #backend
@BenFeed
کالبدشکافی یک سیستم inference پرتوان برای LLMها
از paged attention و continuous batching گرفته تا prefix caching و speculative decoding — این مقاله کل معماری vLLM را زیر ذرهبین میبرد و نشان میدهد چطور در مقیاس multi-GPU و multi-node به serving پویا میرسد.
نظر هوش مصنوعی — ⭐ ۹/۱۰
🎯 چرا مهمه: هر تیمی که LLM را در production سرو میکند باید بداند چرا vLLM اینقدر سریعتر از راهحلهای ساده است؛ این مقاله دقیقاً همان جاهایی را توضیح میدهد که مستندات رسمی از آنها رد میشوند.
💡 نکته: درک paged attention بهعنوان «virtual memory برای KV cache» یک ذهنیتسازِ قوی است که تصمیمهای معماری را خیلی ملموستر میکند.
👥 برای کی: توسعهدهندههایی که روی inference، serving infrastructure یا بهینهسازی LLM کار میکنند.
🔗 https://www.aleksagordic.com/blog/vllm
#ai #LLM #backend
@BenFeed
Aleksagordic
Inside vLLM: Anatomy of a High-Throughput LLM Inference System - Aleksa Gordić
From paged attention, continuous batching, prefix caching, specdec, etc. to multi-GPU, multi-node dynamic serving at scale.
Qwen3.8 Max now ranked as the best overall model by agentic index
جایگاه اول Qwen3.8 Max در رتبهبندی agentic index
مقایسه و تحلیل مستقل modelهای هوش مصنوعی و providerهای API hosting — با benchmarkهایی روی معیارهای کلیدی از جمله کیفیت، قیمت، سرعت خروجی و latency.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: رسیدن Qwen3.8 Max به رتبهی اول در agentic index نشون میده که رقابت مدلهای open-weight با غولهای بستهی این حوزه جدیتر از همیشه شده.
💡 نکته: رتبهبندی agentic با benchmarkهای معمول فرق داره — اینجا reasoning، planning و عملکرد چندمرحلهای زیر ذرهبینه، نه فقط accuracy روی یک task ساده.
👥 برای کی: کسانی که روی انتخاب مدل، طراحی agent یا بهینهسازی هزینهی inference کار میکنند.
🔗 https://artificialanalysis.ai/?intelligence=agentic-index
#ai #LLM #benchmark
@BenFeed
جایگاه اول Qwen3.8 Max در رتبهبندی agentic index
مقایسه و تحلیل مستقل modelهای هوش مصنوعی و providerهای API hosting — با benchmarkهایی روی معیارهای کلیدی از جمله کیفیت، قیمت، سرعت خروجی و latency.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: رسیدن Qwen3.8 Max به رتبهی اول در agentic index نشون میده که رقابت مدلهای open-weight با غولهای بستهی این حوزه جدیتر از همیشه شده.
💡 نکته: رتبهبندی agentic با benchmarkهای معمول فرق داره — اینجا reasoning، planning و عملکرد چندمرحلهای زیر ذرهبینه، نه فقط accuracy روی یک task ساده.
👥 برای کی: کسانی که روی انتخاب مدل، طراحی agent یا بهینهسازی هزینهی inference کار میکنند.
🔗 https://artificialanalysis.ai/?intelligence=agentic-index
#ai #LLM #benchmark
@BenFeed
artificialanalysis.ai
AI Model & API Providers Analysis | Artificial Analysis
Comparison and analysis of AI models and API hosting providers. Independent benchmarks across key performance metrics including quality, price, output speed & latency.
Microsoft filings suggest "around 70%" of its AI revenue is on OpenAI
اسناد مایکروسافت نشان میدهد حدود ۷۰٪ درآمد هوش مصنوعیاش وابسته به OpenAI است
تحلیلهای اخیر نشان میدهد مایکروسافت برای بخش عمدهای از درآمد حوزهی هوش مصنوعیاش به شدت به OpenAI متکی است.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: تمرکز ۷۰٪ درآمد AI یک شرکت به بزرگی مایکروسافت روی یک شریک واحد، ریسک استراتژیک جدیای است که میتواند بر کل اکوسیستم توسعهدهندگان Azure و Microsoft 365 اثر بگذارد.
💡 نکته: اگر رابطهی مایکروسافت و OpenAI دچار تنش شود — که سابقه دارد — این وابستگی میتواند تبدیل به بزرگترین نقطهی شکست محصولات AI مایکروسافت بشود.
👥 برای کی: توسعهدهندههایی که روی Azure OpenAI Service یا محصولات Copilot کار میکنند.
🔗 https://www.windowscentral.com/artificial-intelligence/microsoft-filings-suggest-around-70-percent-of-its-ai-revenue-is-concentrated-entirely-on-openai
#ai #OpenAI #Microsoft
@BenFeed
اسناد مایکروسافت نشان میدهد حدود ۷۰٪ درآمد هوش مصنوعیاش وابسته به OpenAI است
تحلیلهای اخیر نشان میدهد مایکروسافت برای بخش عمدهای از درآمد حوزهی هوش مصنوعیاش به شدت به OpenAI متکی است.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: تمرکز ۷۰٪ درآمد AI یک شرکت به بزرگی مایکروسافت روی یک شریک واحد، ریسک استراتژیک جدیای است که میتواند بر کل اکوسیستم توسعهدهندگان Azure و Microsoft 365 اثر بگذارد.
💡 نکته: اگر رابطهی مایکروسافت و OpenAI دچار تنش شود — که سابقه دارد — این وابستگی میتواند تبدیل به بزرگترین نقطهی شکست محصولات AI مایکروسافت بشود.
👥 برای کی: توسعهدهندههایی که روی Azure OpenAI Service یا محصولات Copilot کار میکنند.
🔗 https://www.windowscentral.com/artificial-intelligence/microsoft-filings-suggest-around-70-percent-of-its-ai-revenue-is-concentrated-entirely-on-openai
#ai #OpenAI #Microsoft
@BenFeed
Windows Central
Microsoft filings suggest "around 70%" of its AI revenue is concentrated entirely on OpenAI — which seems rather unhealthy
Recent analysis showed that Microsoft's AI business, while seemingly booming, still carries a somewhat enormous Sam Altman-shaped risk.
PrimeIntellect-ai/prime-agent
یک agent خودبهبوددهنده برای workflow های کدنویسی و تسکهای بلندمدت
این پروژه یک RLM agent طراحی کرده که هم برای coding workflowها کاربرد دارد، هم برای تسکهای autonomous طولانیمدت — و قابلیت self-improvement دارد.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: ترکیب reinforcement learning با agentهای کدنویسی مسیری جدید برای automation واقعی در توسعهی نرمافزار باز میکند.
💡 نکته: self-improving بودن agent یعنی با هر اجرا بهتر میشود — این تفاوت اساسی با assistantهای ثابت مثل Copilot است.
👥 برای کی: توسعهدهندههایی که روی agent، coding automation یا LLM-based tooling کار میکنند.
🔗 https://github.com/PrimeIntellect-ai/prime-agent
#ai #LLM #agent
@BenFeed
یک agent خودبهبوددهنده برای workflow های کدنویسی و تسکهای بلندمدت
این پروژه یک RLM agent طراحی کرده که هم برای coding workflowها کاربرد دارد، هم برای تسکهای autonomous طولانیمدت — و قابلیت self-improvement دارد.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: ترکیب reinforcement learning با agentهای کدنویسی مسیری جدید برای automation واقعی در توسعهی نرمافزار باز میکند.
💡 نکته: self-improving بودن agent یعنی با هر اجرا بهتر میشود — این تفاوت اساسی با assistantهای ثابت مثل Copilot است.
👥 برای کی: توسعهدهندههایی که روی agent، coding automation یا LLM-based tooling کار میکنند.
🔗 https://github.com/PrimeIntellect-ai/prime-agent
#ai #LLM #agent
@BenFeed
GitHub
GitHub - PrimeIntellect-ai/prime-agent: A self-improving RLM agent for coding workflows and long-running autonomous tasks.
A self-improving RLM agent for coding workflows and long-running autonomous tasks. - PrimeIntellect-ai/prime-agent
pranshuparmar/witr
چرا این اجرا میشه؟ ردیابی process، port، container و فایل تا ریشهشون — CLI + TUI
ابزار witr کمک میکند هر process، port، container یا فایل را تا منشأِ اجراشدنش ردیابی کنید — هم از طریق CLI و هم با یک رابط TUI.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: دیباگ کردن محیطهای شلوغ با processهای تو در تو همیشه دردسر بوده؛ این ابزار مسیر «چه چیزی چه چیزی را راه انداخته» را یکجا نشان میدهد.
💡 نکته: ترکیب CLI و TUI یعنی هم در اسکریپتهای اتوماسیون قابل استفاده است، هم بهصورت تعاملی روی سرور.
👥 برای کی: توسعهدهندههایی که روی backend، DevOps یا دیباگ سرور کار میکنند.
🔗 https://github.com/pranshuparmar/witr
#backend #cli #devops
@BenFeed
چرا این اجرا میشه؟ ردیابی process، port، container و فایل تا ریشهشون — CLI + TUI
ابزار witr کمک میکند هر process، port، container یا فایل را تا منشأِ اجراشدنش ردیابی کنید — هم از طریق CLI و هم با یک رابط TUI.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: دیباگ کردن محیطهای شلوغ با processهای تو در تو همیشه دردسر بوده؛ این ابزار مسیر «چه چیزی چه چیزی را راه انداخته» را یکجا نشان میدهد.
💡 نکته: ترکیب CLI و TUI یعنی هم در اسکریپتهای اتوماسیون قابل استفاده است، هم بهصورت تعاملی روی سرور.
👥 برای کی: توسعهدهندههایی که روی backend، DevOps یا دیباگ سرور کار میکنند.
🔗 https://github.com/pranshuparmar/witr
#backend #cli #devops
@BenFeed
GitHub
GitHub - pranshuparmar/witr: Why is this running? Trace any process, port, container, or file back to what started it - CLI + TUI.
Why is this running? Trace any process, port, container, or file back to what started it - CLI + TUI. - pranshuparmar/witr
jdx/mise
ابزار مدیریت محیط توسعه، متغیرهای محیطی و اجرای task
ابزاری برای مدیریت dev tools، env vars و اجرای task — همه در یک جا. پروژهی open-source روی GitHub.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: یک جایگزین یکپارچه برای ترکیب ابزارهایی مثل `nvm`، `direnv` و `make` است که چرخهی راهاندازی محیط توسعه را سادهتر میکند.
💡 نکته: داشتن task runner و مدیریت version ابزارها در کنار هم یعنی دیگر نیازی به چند فایل config جداگانه ندارید.
👥 برای کی: توسعهدهندههایی که روی پروژههای چندزبانه یا تیمی کار میکنند و از دردسر onboarding خسته شدهاند.
🔗 https://github.com/jdx/mise
#backend #devtools #cli
@BenFeed
ابزار مدیریت محیط توسعه، متغیرهای محیطی و اجرای task
ابزاری برای مدیریت dev tools، env vars و اجرای task — همه در یک جا. پروژهی open-source روی GitHub.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: یک جایگزین یکپارچه برای ترکیب ابزارهایی مثل `nvm`، `direnv` و `make` است که چرخهی راهاندازی محیط توسعه را سادهتر میکند.
💡 نکته: داشتن task runner و مدیریت version ابزارها در کنار هم یعنی دیگر نیازی به چند فایل config جداگانه ندارید.
👥 برای کی: توسعهدهندههایی که روی پروژههای چندزبانه یا تیمی کار میکنند و از دردسر onboarding خسته شدهاند.
🔗 https://github.com/jdx/mise
#backend #devtools #cli
@BenFeed
GitHub
GitHub - jdx/mise: dev tools, env vars, task runner
dev tools, env vars, task runner. Contribute to jdx/mise development by creating an account on GitHub.
Oracle bans AI-generated code from OpenJDK
اوراکل کدهای تولیدشده با هوش مصنوعی را از OpenJDK ممنوع کرد
اوراکل مشارکت در OpenJDK با کدهای تولیدشده توسط هوش مصنوعی را ممنوع کرد و دلایلش را ریسکهای امنیتی و مالکیت معنوی عنوان کرد. توسعهدهندهها میتوانند از LLMها برای debugging و review کد بهصورت خصوصی استفاده کنند، ولی ارسال کدِ تولیدشده توسط هوش مصنوعی به repositoryها یا pull requestها ممنوع است. این در حالی است که Larry Ellison اخیراً ادعا کرده که مدلهای هوش مصنوعی حالا کدهای خودِ اوراکل را مینویسند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: این تناقضِ آشکار بین سیاست داخلی و خارجیِ اوراکل نشان میدهد که بحث مالکیت معنوی کدهای تولیدشده با هوش مصنوعی در پروژههای open-source جدیتر از همیشه شده است.
💡 نکته: وقتی یک شرکت همزمان AI-generated code را داخلاً تشویق میکند و بیرون ممنوع میکند، احتمالاً ریسک قانونیِ IP است که واقعاً نگرانش میکند، نه کیفیت کد.
👥 برای کی: توسعهدهندههایی که روی پروژههای open-source مشارکت میکنند یا با Java/JVM کار میکنند.
🔗 https://app.dealroom.co/news/feed/oracle-bans-ai-generated-code-from-openjdk-despite-ellison-s-claim-oracle-isn-t-writing-its-own-code
#ai #backend #OpenJDK
@BenFeed
اوراکل کدهای تولیدشده با هوش مصنوعی را از OpenJDK ممنوع کرد
اوراکل مشارکت در OpenJDK با کدهای تولیدشده توسط هوش مصنوعی را ممنوع کرد و دلایلش را ریسکهای امنیتی و مالکیت معنوی عنوان کرد. توسعهدهندهها میتوانند از LLMها برای debugging و review کد بهصورت خصوصی استفاده کنند، ولی ارسال کدِ تولیدشده توسط هوش مصنوعی به repositoryها یا pull requestها ممنوع است. این در حالی است که Larry Ellison اخیراً ادعا کرده که مدلهای هوش مصنوعی حالا کدهای خودِ اوراکل را مینویسند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: این تناقضِ آشکار بین سیاست داخلی و خارجیِ اوراکل نشان میدهد که بحث مالکیت معنوی کدهای تولیدشده با هوش مصنوعی در پروژههای open-source جدیتر از همیشه شده است.
💡 نکته: وقتی یک شرکت همزمان AI-generated code را داخلاً تشویق میکند و بیرون ممنوع میکند، احتمالاً ریسک قانونیِ IP است که واقعاً نگرانش میکند، نه کیفیت کد.
👥 برای کی: توسعهدهندههایی که روی پروژههای open-source مشارکت میکنند یا با Java/JVM کار میکنند.
🔗 https://app.dealroom.co/news/feed/oracle-bans-ai-generated-code-from-openjdk-despite-ellison-s-claim-oracle-isn-t-writing-its-own-code
#ai #backend #OpenJDK
@BenFeed
Dealroom.co
Dealroom.co | Oracle bans AI-generated code from OpenJDK despite Ellison's claim 'Oracle isn't writing' its own code
Oracle has banned AI-generated code from OpenJDK contributions, citing safety, security, and intellectual property risks. The open-source Java project steward said developers can use LLMs privately for debugging and reviewing code but cannot submit AI-generated…
Making Postgres 300x faster for analytics: batching, operator fusion, and SIMD
سریعتر کردن Postgres تا ۳۰۰ برابر برای analytics: batching، operator fusion و SIMD
هفتهی گذشته نسخهی ۰.۲ از pgrust منتشر شد — نسخهای که تمرکزش روی performance بود. این نسخه نسبت به قبلی ۱۰ برابر سریعتر است، در benchmarkهای OLTP حدود ۳۰٪ از Postgres جلوتر است، و در Clickbench — همان benchmark تحلیلیِ Clickhouse — عملکردش ۳۰۰ برابر بهتر از Postgres است؛ حتی از Clickhouse هم پیشی گرفته.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: رسیدن به این عدد از یک extension روی Postgres نشان میدهد که query engine پیشفرض Postgres برای workloadهای analytical چقدر جا برای بهبود داشته و حالا این gap دارد پر میشود.
💡 نکته: ترکیب سه تکنیکِ batching، operator fusion و SIMD با هم دقیقاً همان مسیری است که columnar databaseهای مدرن طی کردهاند؛ جالب است که حالا درون Postgres هم میشود پیادهاش کرد.
👥 برای کی: هر کسی که روی database، query optimization یا analytical backend کار میکند.
🔗 https://malisper.me/how-we-made-postgres-hundreds-of-times-faster-the-query-engine/
#backend #database #Postgres
@BenFeed
سریعتر کردن Postgres تا ۳۰۰ برابر برای analytics: batching، operator fusion و SIMD
هفتهی گذشته نسخهی ۰.۲ از pgrust منتشر شد — نسخهای که تمرکزش روی performance بود. این نسخه نسبت به قبلی ۱۰ برابر سریعتر است، در benchmarkهای OLTP حدود ۳۰٪ از Postgres جلوتر است، و در Clickbench — همان benchmark تحلیلیِ Clickhouse — عملکردش ۳۰۰ برابر بهتر از Postgres است؛ حتی از Clickhouse هم پیشی گرفته.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: رسیدن به این عدد از یک extension روی Postgres نشان میدهد که query engine پیشفرض Postgres برای workloadهای analytical چقدر جا برای بهبود داشته و حالا این gap دارد پر میشود.
💡 نکته: ترکیب سه تکنیکِ batching، operator fusion و SIMD با هم دقیقاً همان مسیری است که columnar databaseهای مدرن طی کردهاند؛ جالب است که حالا درون Postgres هم میشود پیادهاش کرد.
👥 برای کی: هر کسی که روی database، query optimization یا analytical backend کار میکند.
🔗 https://malisper.me/how-we-made-postgres-hundreds-of-times-faster-the-query-engine/
#backend #database #Postgres
@BenFeed
malisper.me
Rebuilding Postgres for 300x faster analytics: batching, operator fusion, and SIMD - malisper.me
Last week we released version 0.2 of pgrust. This release was all about performance. It’s 10x faster than the previous version of pgrust. On OLTP benchmarks, pgrust is 30% faster than Postgres, and on Clickbench, Clickhouse’s benchmark for analytical databases…
anthropics/claude-code-security-review
بررسی امنیتی کد با Claude، مستقیم توی GitHub Actions
یک GitHub Action مبتنی بر هوش مصنوعی که از Claude برای تحلیل تغییرات کد و شناسایی آسیبپذیریهای امنیتی استفاده میکند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: یکپارچهسازی security review با pipelineی CI/CD بدون نیاز به ابزار جداگانه، سرعت شناسایی آسیبپذیریها رو در چرخهی توسعه بالا میبره.
💡 نکته: وقتی Anthropic خودش یک Action رسمی برای code review منتشر میکنه، نشانهی جدیشدن کاربرد LLMها در static analysis هست — نه صرفاً یک demo.
👥 برای کی: تیمهایی که روی DevSecOps، code review خودکار یا امنیت pipeline کار میکنند.
🔗 https://github.com/anthropics/claude-code-security-review
#backend #DevSecOps #LLM
@BenFeed
بررسی امنیتی کد با Claude، مستقیم توی GitHub Actions
یک GitHub Action مبتنی بر هوش مصنوعی که از Claude برای تحلیل تغییرات کد و شناسایی آسیبپذیریهای امنیتی استفاده میکند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: یکپارچهسازی security review با pipelineی CI/CD بدون نیاز به ابزار جداگانه، سرعت شناسایی آسیبپذیریها رو در چرخهی توسعه بالا میبره.
💡 نکته: وقتی Anthropic خودش یک Action رسمی برای code review منتشر میکنه، نشانهی جدیشدن کاربرد LLMها در static analysis هست — نه صرفاً یک demo.
👥 برای کی: تیمهایی که روی DevSecOps، code review خودکار یا امنیت pipeline کار میکنند.
🔗 https://github.com/anthropics/claude-code-security-review
#backend #DevSecOps #LLM
@BenFeed
GitHub
GitHub - anthropics/claude-code-security-review: An AI-powered security review GitHub Action using Claude to analyze code changes…
An AI-powered security review GitHub Action using Claude to analyze code changes for security vulnerabilities. - anthropics/claude-code-security-review
The CPU is back: Rethinking the CPU-GPU split for LLM inference
بازگشت CPU: بازاندیشی در تقسیمکار CPU-GPU برای inference مدلهای زبانی
هوش مصنوعی agentic داره تقسیمبندی سنتی بین CPU و GPU برای inference را زیر سوال میبره.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: با گسترش workloadهای agentic که latency و هزینه در اولویتن، تکیهی کامل به GPU دیگه همیشه بهینه نیست و CPU inference داره جایگاه جدی پیدا میکنه.
💡 نکته: انتخاب بین CPU و GPU برای inference به معماری مدل، اندازهی batch و الگوی استفاده بستگی داره — یک پاسخ برای همه وجود نداره.
👥 برای کی: توسعهدهندههایی که روی deploy مدلهای LLM، بهینهسازی هزینه یا طراحی سیستمهای agentic کار میکنن.
🔗 https://www.redhat.com/en/blog/cpu-back-rethinking-cpu-gpu-split-llm-inference
#ai #LLM #backend
@BenFeed
بازگشت CPU: بازاندیشی در تقسیمکار CPU-GPU برای inference مدلهای زبانی
هوش مصنوعی agentic داره تقسیمبندی سنتی بین CPU و GPU برای inference را زیر سوال میبره.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: با گسترش workloadهای agentic که latency و هزینه در اولویتن، تکیهی کامل به GPU دیگه همیشه بهینه نیست و CPU inference داره جایگاه جدی پیدا میکنه.
💡 نکته: انتخاب بین CPU و GPU برای inference به معماری مدل، اندازهی batch و الگوی استفاده بستگی داره — یک پاسخ برای همه وجود نداره.
👥 برای کی: توسعهدهندههایی که روی deploy مدلهای LLM، بهینهسازی هزینه یا طراحی سیستمهای agentic کار میکنن.
🔗 https://www.redhat.com/en/blog/cpu-back-rethinking-cpu-gpu-split-llm-inference
#ai #LLM #backend
@BenFeed
Redhat
The CPU is back: Rethinking the CPU-GPU split for LLM inference
Why agentic AI is driving the shift back to CPU inference.