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.
Shopify replaced Redis with MySQL for inventory reservations–and it scaled
شاپیفای برای رزرو موجودی از Redis به MySQL مهاجرت کرد — و مقیاسپذیری هم حفظ شد
با استفاده از `SKIP LOCKED`، کلیدهای اصلی مرکب، و کنترل visibility اتصال، به اهداف مقیاسپذیری خود رسیدیم.
نظر هوش مصنوعی — ⭐ ۹/۱۰
🎯 چرا مهمه: این تصمیم خلافِ جریانِ رایج است — اکثر تیمها برای کاهش فشار از MySQL فرار میکنند، ولی Shopify ثابت کرد با طراحی درست میتوان MySQL را جایگزین Redis کرد و هزینهی عملیاتی را کم کرد.
💡 نکته: `SKIP LOCKED` یکی از قابلیتهای کمترشناختهی MySQL است که برای صفهای موازی بدون deadlock فوقالعاده عمل میکند — این case study نشان میدهد چقدر میتوان به آن اعتماد کرد.
👥 برای کی: توسعهدهندههای backend که روی سیستمهای high-throughput، inventory، یا صفهای کاری کار میکنند.
🔗 https://shopify.engineering/scaling-inventory-reservations
#backend #database #MySQL
@BenFeed
شاپیفای برای رزرو موجودی از Redis به MySQL مهاجرت کرد — و مقیاسپذیری هم حفظ شد
با استفاده از `SKIP LOCKED`، کلیدهای اصلی مرکب، و کنترل visibility اتصال، به اهداف مقیاسپذیری خود رسیدیم.
نظر هوش مصنوعی — ⭐ ۹/۱۰
🎯 چرا مهمه: این تصمیم خلافِ جریانِ رایج است — اکثر تیمها برای کاهش فشار از MySQL فرار میکنند، ولی Shopify ثابت کرد با طراحی درست میتوان MySQL را جایگزین Redis کرد و هزینهی عملیاتی را کم کرد.
💡 نکته: `SKIP LOCKED` یکی از قابلیتهای کمترشناختهی MySQL است که برای صفهای موازی بدون deadlock فوقالعاده عمل میکند — این case study نشان میدهد چقدر میتوان به آن اعتماد کرد.
👥 برای کی: توسعهدهندههای backend که روی سیستمهای high-throughput، inventory، یا صفهای کاری کار میکنند.
🔗 https://shopify.engineering/scaling-inventory-reservations
#backend #database #MySQL
@BenFeed
Shopify
We replaced Redis with MySQL for inventory reservations—and it scaled (2026) - Shopify
How we used SKIP LOCKED, composite primary keys, and connection visibility to hit our scale targets.
Software Giant SAP Stops Most Travel and Hiring Because of AI's Soaring Cost
غول نرمافزاری SAP سفرها و استخدام را به خاطر هزینههای سرسامآور AI متوقف کرد
شرکت SAP اعلام کرده باید «در نحوهی هزینهکردن، انضباط داشته باشد» — یعنی فریز کردن استخدام و سفرهای کاری ادامه دارد؛ مگر اینکه موضوع به AI مربوط باشد.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: این تصمیم نشون میده شرکتهای enterprise دارن بودجهی عملیاتی رو مستقیم به AI منتقل میکنن — و این یه تغییر ساختاری در اولویتبندی هزینههاست، نه یه صرفهجویی موقت.
💡 نکته: وقتی یه شرکت ۱۰۰هزارنفری استخدام رو فریز میکنه ولی برای AI استثنا قائل میشه، داره پیامی روشن به بازار کار tech میفرسته.
👥 برای کی: توسعهدهندههایی که دنبال موقعیت شغلی در enterprise software هستن یا روی استراتژی سرمایهگذاری AI فکر میکنن.
🔗 https://www.404media.co/software-giant-sap-stops-most-travel-and-hiring-because-of-ais-soaring-cost/
#ai #backend
@BenFeed
غول نرمافزاری SAP سفرها و استخدام را به خاطر هزینههای سرسامآور AI متوقف کرد
شرکت SAP اعلام کرده باید «در نحوهی هزینهکردن، انضباط داشته باشد» — یعنی فریز کردن استخدام و سفرهای کاری ادامه دارد؛ مگر اینکه موضوع به AI مربوط باشد.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: این تصمیم نشون میده شرکتهای enterprise دارن بودجهی عملیاتی رو مستقیم به AI منتقل میکنن — و این یه تغییر ساختاری در اولویتبندی هزینههاست، نه یه صرفهجویی موقت.
💡 نکته: وقتی یه شرکت ۱۰۰هزارنفری استخدام رو فریز میکنه ولی برای AI استثنا قائل میشه، داره پیامی روشن به بازار کار tech میفرسته.
👥 برای کی: توسعهدهندههایی که دنبال موقعیت شغلی در enterprise software هستن یا روی استراتژی سرمایهگذاری AI فکر میکنن.
🔗 https://www.404media.co/software-giant-sap-stops-most-travel-and-hiring-because-of-ais-soaring-cost/
#ai #backend
@BenFeed
404 Media
Software Giant SAP Stops Most Travel and Hiring Because of AI’s Soaring Cost
SAP says it needs to “be disciplined in how we spend.” That includes still freezing hires and travel. Unless it's to do with AI, of course.
CSS: The bomb inside your inbox
CSS: بمبی که داخل صندوق ورودیات منتظرته
خیلی از webmail clientها CSS غیرموثق رو داخل یک UI موثق render میکنن و سعی میکنن با CSS sanitization این کار رو امن کنن. اما Gareth Heyes نشون میده که این رویکرد تا چه حد میتونه خطرناک باشه.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: هر webmail clientای که CSS sanitization داره احتمالاً در معرض این دسته از حملاته، و این یعنی دامنهی آسیبپذیری خیلی گستردهست.
💡 نکته: CSS بهظاهر بیخطرترین بخش email renderingه، اما همین اعتماد کاذب دقیقاً چیزیه که مهاجم ازش استفاده میکنه.
👥 برای کی: توسعهدهندههایی که روی email client، content sanitization یا web security کار میکنن.
🔗 https://portswigger.net/research/css-the-bomb-inside-your-inbox
#backend #security #CSS
@BenFeed
CSS: بمبی که داخل صندوق ورودیات منتظرته
خیلی از webmail clientها CSS غیرموثق رو داخل یک UI موثق render میکنن و سعی میکنن با CSS sanitization این کار رو امن کنن. اما Gareth Heyes نشون میده که این رویکرد تا چه حد میتونه خطرناک باشه.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: هر webmail clientای که CSS sanitization داره احتمالاً در معرض این دسته از حملاته، و این یعنی دامنهی آسیبپذیری خیلی گستردهست.
💡 نکته: CSS بهظاهر بیخطرترین بخش email renderingه، اما همین اعتماد کاذب دقیقاً چیزیه که مهاجم ازش استفاده میکنه.
👥 برای کی: توسعهدهندههایی که روی email client، content sanitization یا web security کار میکنن.
🔗 https://portswigger.net/research/css-the-bomb-inside-your-inbox
#backend #security #CSS
@BenFeed
PortSwigger Research
CSS:the bomb inside your inbox
Gareth Heyes - gareth.heyes@portswigger.net - @garethheyes It's quite common for webmail clients to render untrusted CSS in a trusted UI. They attempt to make this safe using CSS sanitization. In this
vitali87/code-graph-rag
بهترین RAG برای monorepo شما
این ابزار با ترکیب knowledge graph و هوش مصنوعی طراحی شده تا query زدن، درک کردن و ویرایش codebaseهای چندزبانه در یک monorepo را ممکن کند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: RAG روی کد معمولاً با ساختار درختی و وابستگیهای بین ماژولها کنار نمیآد؛ رویکرد graph-based این مشکل رو جدیتر میگیره.
💡 نکته: knowledge graph به جای جستجوی متنیِ صرف، رابطهی بین توابع، کلاسها و ماژولها رو حفظ میکنه — یعنی پرسشهای پیچیدهتر قابل پاسخ میشن.
👥 برای کی: توسعهدهندههایی که روی monorepoهای بزرگ یا ابزارهای AI-assisted code navigation کار میکنن.
🔗 https://github.com/vitali87/code-graph-rag
#backend #RAG #LLM
@BenFeed
بهترین RAG برای monorepo شما
این ابزار با ترکیب knowledge graph و هوش مصنوعی طراحی شده تا query زدن، درک کردن و ویرایش codebaseهای چندزبانه در یک monorepo را ممکن کند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: RAG روی کد معمولاً با ساختار درختی و وابستگیهای بین ماژولها کنار نمیآد؛ رویکرد graph-based این مشکل رو جدیتر میگیره.
💡 نکته: knowledge graph به جای جستجوی متنیِ صرف، رابطهی بین توابع، کلاسها و ماژولها رو حفظ میکنه — یعنی پرسشهای پیچیدهتر قابل پاسخ میشن.
👥 برای کی: توسعهدهندههایی که روی monorepoهای بزرگ یا ابزارهای AI-assisted code navigation کار میکنن.
🔗 https://github.com/vitali87/code-graph-rag
#backend #RAG #LLM
@BenFeed
GitHub
GitHub - vitali87/code-graph-rag: The ultimate RAG for your monorepo. Query, understand, and edit multi-language codebases with…
The ultimate RAG for your monorepo. Query, understand, and edit multi-language codebases with the power of AI and knowledge graphs - vitali87/code-graph-rag
Learning more about Claude's mathematical capabilities
آشنایی بیشتر با تواناییهای ریاضی Claude
نسخهای منتشرنشده از Claude پیشرفت قابلتوجهی روی مسئلهای مرتبط با فرضیهی Riemann داشته است. این مدل موفق شده کران پایین نسبت صفرهای تابع zeta Riemann که فرضیه را برآورده میکنند را از ۴۱.۶٪ به ۶۷.۲٪ افزایش دهد.
نظر هوش مصنوعی — ⭐ ۹/۱۰
🎯 چرا مهمه: برای اولین بار یک LLM در یک مسئلهی ریاضیِ باز و ردهبالا — که دههها دستنخورده مانده بود — پیشرفت قابلتأییدِ کمّی داشته؛ این مرزِ «AI فقط کد مینویسد» را میشکند.
💡 نکته: جهش از ۴۱.۶٪ به ۶۷.۲٪ یعنی بیش از ۲۵ واحد درصد بهبود در یک کران که محققان انسانی سالها روی آن کار کردهاند — این عدد را جدی بگیرید.
👥 برای کی: توسعهدهندگانی که روی reasoning، math agent یا ارزیابی تواناییهای frontier model کار میکنند.
🔗 https://www.anthropic.com/research/riemann-zeta
#ai #LLM
@BenFeed
آشنایی بیشتر با تواناییهای ریاضی Claude
نسخهای منتشرنشده از Claude پیشرفت قابلتوجهی روی مسئلهای مرتبط با فرضیهی Riemann داشته است. این مدل موفق شده کران پایین نسبت صفرهای تابع zeta Riemann که فرضیه را برآورده میکنند را از ۴۱.۶٪ به ۶۷.۲٪ افزایش دهد.
نظر هوش مصنوعی — ⭐ ۹/۱۰
🎯 چرا مهمه: برای اولین بار یک LLM در یک مسئلهی ریاضیِ باز و ردهبالا — که دههها دستنخورده مانده بود — پیشرفت قابلتأییدِ کمّی داشته؛ این مرزِ «AI فقط کد مینویسد» را میشکند.
💡 نکته: جهش از ۴۱.۶٪ به ۶۷.۲٪ یعنی بیش از ۲۵ واحد درصد بهبود در یک کران که محققان انسانی سالها روی آن کار کردهاند — این عدد را جدی بگیرید.
👥 برای کی: توسعهدهندگانی که روی reasoning، math agent یا ارزیابی تواناییهای frontier model کار میکنند.
🔗 https://www.anthropic.com/research/riemann-zeta
#ai #LLM
@BenFeed
Anthropic
Learning more about Claude's mathematical capabilities
An unreleased version of Claude has made strides on a problem related to the Riemann hypothesis. It improved the lower bound for the fraction of zeros of the Riemann zeta function that satisfy the hypothesis, increasing it from 41.6% to 67.2%.
anthropics/skills
مخزن عمومی Anthropic برای مهارتهای agent
این repository رسمیِ Anthropic محلی است برای توسعهی Agent Skills — مهارتهایی که به agentها اجازه میدهند وظایف پیچیدهتر را انجام دهند. میتوانید با ساختن اکانت در GitHub در توسعهاش مشارکت کنید.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: Anthropic دارد زیرساخت مهارتهای agent را بهصورت open-source منتشر میکند؛ این یعنی جامعه میتواند مستقیماً در شکلدادن به رفتار agentهای Claude نقش داشته باشد.
💡 نکته: انتشارِ عمومیِ این repository نشانهی حرکتِ Anthropic به سمت ecosystem باز برای agent skillهاست — مشابه آنچه با MCP اتفاق افتاد.
👥 برای کی: توسعهدهندگانی که روی agent، automation یا یکپارچهسازی با Claude API کار میکنند.
🔗 https://github.com/anthropics/skills
#backend #ai #agent
@BenFeed
مخزن عمومی Anthropic برای مهارتهای agent
این repository رسمیِ Anthropic محلی است برای توسعهی Agent Skills — مهارتهایی که به agentها اجازه میدهند وظایف پیچیدهتر را انجام دهند. میتوانید با ساختن اکانت در GitHub در توسعهاش مشارکت کنید.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: Anthropic دارد زیرساخت مهارتهای agent را بهصورت open-source منتشر میکند؛ این یعنی جامعه میتواند مستقیماً در شکلدادن به رفتار agentهای Claude نقش داشته باشد.
💡 نکته: انتشارِ عمومیِ این repository نشانهی حرکتِ Anthropic به سمت ecosystem باز برای agent skillهاست — مشابه آنچه با MCP اتفاق افتاد.
👥 برای کی: توسعهدهندگانی که روی agent، automation یا یکپارچهسازی با Claude API کار میکنند.
🔗 https://github.com/anthropics/skills
#backend #ai #agent
@BenFeed
GitHub
GitHub - anthropics/skills: Public repository for Agent Skills
Public repository for Agent Skills. Contribute to anthropics/skills development by creating an account on GitHub.
Qwen/Qwen3.8-2.4T-A95B
معرفی مدل Qwen3 با معماری Mixture of Experts
هدف این مسیر پیشبرد و دموکراتیزهکردن هوش مصنوعی از طریق open source و علمِ باز است.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: انتشار یک مدل MoE با ۲.۴ تریلیون پارامتر در فضای open source، سقف توانِ مدلهای در دسترس عموم را بالا میبرد.
💡 نکته: معماری MoE با فعالسازیِ ۹۵ میلیارد پارامتر در هر inference، تعادلی بین کیفیت و هزینهی محاسباتی ایجاد میکند که ارزش benchmark کردن دارد.
👥 برای کی: کسانی که روی fine-tuning، deployment مدلهای بزرگ یا inference بهینه کار میکنند.
🔗 https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B
#ai #LLM #Qwen
@BenFeed
معرفی مدل Qwen3 با معماری Mixture of Experts
هدف این مسیر پیشبرد و دموکراتیزهکردن هوش مصنوعی از طریق open source و علمِ باز است.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: انتشار یک مدل MoE با ۲.۴ تریلیون پارامتر در فضای open source، سقف توانِ مدلهای در دسترس عموم را بالا میبرد.
💡 نکته: معماری MoE با فعالسازیِ ۹۵ میلیارد پارامتر در هر inference، تعادلی بین کیفیت و هزینهی محاسباتی ایجاد میکند که ارزش benchmark کردن دارد.
👥 برای کی: کسانی که روی fine-tuning، deployment مدلهای بزرگ یا inference بهینه کار میکنند.
🔗 https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B
#ai #LLM #Qwen
@BenFeed
huggingface.co
Qwen/Qwen3.8-2.4T-A95B · Hugging Face
We’re on a journey to advance and democratize artificial intelligence through open source and open science.
Grok 4.6
گروک ۴.۶ منتشر شد
نسخهی جدید Grok 4.6 بر پایهی Grok 4.5 ساخته شده و تمرکز ویژهای روی agentهای طولانیمدت و کارهای تعاملی و بصری پیچیدهتر دارد.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: بهبود در agentهای طولانیمدت یعنی Grok داره جدیتر وارد رقابتِ task automation و agentic workflow میشه — حوزهای که همه دارن روش کار میکنن.
💡 نکته: تمرکز روی «visual work» نشون میده xAI داره multimodal بودن رو بهعنوان یک مزیت رقابتی جدی دنبال میکنه، نه فقط یک feature جانبی.
👥 برای کی: کسانی که روی agent، workflow اتوماسیون یا انتخاب مدل برای پروژههای multimodal کار میکنن.
🔗 https://x.ai/news/grok-4-6
#ai #LLM #agent
@BenFeed
گروک ۴.۶ منتشر شد
نسخهی جدید Grok 4.6 بر پایهی Grok 4.5 ساخته شده و تمرکز ویژهای روی agentهای طولانیمدت و کارهای تعاملی و بصری پیچیدهتر دارد.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: بهبود در agentهای طولانیمدت یعنی Grok داره جدیتر وارد رقابتِ task automation و agentic workflow میشه — حوزهای که همه دارن روش کار میکنن.
💡 نکته: تمرکز روی «visual work» نشون میده xAI داره multimodal بودن رو بهعنوان یک مزیت رقابتی جدی دنبال میکنه، نه فقط یک feature جانبی.
👥 برای کی: کسانی که روی agent، workflow اتوماسیون یا انتخاب مدل برای پروژههای multimodal کار میکنن.
🔗 https://x.ai/news/grok-4-6
#ai #LLM #agent
@BenFeed
x.ai
Introducing Grok 4.6
Grok 4.6 builds on Grok 4.5 with a particular focus on long-running agents and more ambitious interactive and visual work.
omnigent-ai/omnigent
چارچوب متنباز برای هماهنگی و مدیریت agentهای هوش مصنوعی
Omnigent یک framework متنباز و meta-harness برای agentهای هوش مصنوعی است که به شما امکان میدهد agentهایی مثل Claude Code، Codex، Cursor، Pi و agentهای سفارشی را orchestrate کنید — بدون نیاز به بازنویسی کد، harnessها را تعویض کنید، policyها و sandboxing را اعمال کنید، و از هر دستگاهی بهصورت real-time همکاری داشته باشید.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: وقتی تیمها همزمان از چند AI agent مختلف استفاده میکنند، مدیریت یکپارچه و تعویض آسان harness بدون بازنویسی، زمان و پیچیدگی را بهطور جدی کاهش میدهد.
💡 نکته: جالبترین بخش لایهی policy و sandboxing است که نشان میدهد امنیت و کنترل در orchestration چندعاملی دیگر یک فکرِ بعدی نیست.
👥 برای کی: تیمهایی که روی multi-agent system، AI workflow یا backend زیرساخت هوش مصنوعی کار میکنند.
🔗 https://github.com/omnigent-ai/omnigent
#backend #ai #agent
@BenFeed
چارچوب متنباز برای هماهنگی و مدیریت agentهای هوش مصنوعی
Omnigent یک framework متنباز و meta-harness برای agentهای هوش مصنوعی است که به شما امکان میدهد agentهایی مثل Claude Code، Codex، Cursor، Pi و agentهای سفارشی را orchestrate کنید — بدون نیاز به بازنویسی کد، harnessها را تعویض کنید، policyها و sandboxing را اعمال کنید، و از هر دستگاهی بهصورت real-time همکاری داشته باشید.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: وقتی تیمها همزمان از چند AI agent مختلف استفاده میکنند، مدیریت یکپارچه و تعویض آسان harness بدون بازنویسی، زمان و پیچیدگی را بهطور جدی کاهش میدهد.
💡 نکته: جالبترین بخش لایهی policy و sandboxing است که نشان میدهد امنیت و کنترل در orchestration چندعاملی دیگر یک فکرِ بعدی نیست.
👥 برای کی: تیمهایی که روی multi-agent system، AI workflow یا backend زیرساخت هوش مصنوعی کار میکنند.
🔗 https://github.com/omnigent-ai/omnigent
#backend #ai #agent
@BenFeed
GitHub
GitHub - omnigent-ai/omnigent: Omnigent is an open-source AI agent framework and meta-harness: orchestrate Claude Code, Codex,…
Omnigent is an open-source AI agent framework and meta-harness: orchestrate Claude Code, Codex, Cursor, Pi, and custom agents — swap harnesses without rewriting, enforce policies and sandboxing, an...
paradigmxyz/centaur
زیرساخت agent محور متنباز که خودت مالکشی
Centaur یک infrastructure پیشرفته و agentic است که کاملاً در اختیار خودت است. شبیه Claude Tag است، ولی open source و با قابلیتهای بسیار بیشتر.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: داشتنِ زیرساختِ agentic بدون وابستگی به سرویسهای بسته مثل Claude Tag، یعنی کنترل کامل روی داده و رفتار agent — موضوعی که برای بسیاری از تیمها حیاتی است.
💡 نکته: ترکیب open source بودن با قابلیتهای frontier-grade معمولاً یا دیر میرسد یا ناقص؛ اینجا ادعا بزرگ است و باید با کد محک زد.
👥 برای کی: توسعهدهندههایی که روی agent، زیرساخت backend یا self-hosted AI کار میکنند.
🔗 https://github.com/paradigmxyz/centaur
#backend #ai #agent
@BenFeed
زیرساخت agent محور متنباز که خودت مالکشی
Centaur یک infrastructure پیشرفته و agentic است که کاملاً در اختیار خودت است. شبیه Claude Tag است، ولی open source و با قابلیتهای بسیار بیشتر.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: داشتنِ زیرساختِ agentic بدون وابستگی به سرویسهای بسته مثل Claude Tag، یعنی کنترل کامل روی داده و رفتار agent — موضوعی که برای بسیاری از تیمها حیاتی است.
💡 نکته: ترکیب open source بودن با قابلیتهای frontier-grade معمولاً یا دیر میرسد یا ناقص؛ اینجا ادعا بزرگ است و باید با کد محک زد.
👥 برای کی: توسعهدهندههایی که روی agent، زیرساخت backend یا self-hosted AI کار میکنند.
🔗 https://github.com/paradigmxyz/centaur
#backend #ai #agent
@BenFeed
GitHub
GitHub - paradigmxyz/centaur: Centaur is frontier, agentic infrastructure that you own. Centaur is like Claude Tag, but open source…
Centaur is frontier, agentic infrastructure that you own. Centaur is like Claude Tag, but open source and on steroids. - paradigmxyz/centaur
From assistance to execution: How enterprises put AI to work
از دستیاری تا اجرا: سازمانها چطور AI را به کار میگیرند
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: تغییر پارادایم از AI بهعنوان «ابزار کمکی» به AI بهعنوان «مجری مستقل» داره شکل تیمهای نرمافزاری و فرآیندهای سازمانی را اساساً دگرگون میکند.
💡 نکته: فاصلهی واقعی بین سازمانهایی که AI را deploy کردهاند و آنهایی که فقط با آن آزمایش میکنند، در همین گام از assistance به execution است.
👥 برای کی: مهندسان و معماران نرمافزاری که روی یکپارچهسازی AI در محیطهای enterprise کار میکنند.
🔗 https://openai.com/index/how-enterprises-put-ai-to-work
#ai #LLM #agent
@BenFeed
از دستیاری تا اجرا: سازمانها چطور AI را به کار میگیرند
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: تغییر پارادایم از AI بهعنوان «ابزار کمکی» به AI بهعنوان «مجری مستقل» داره شکل تیمهای نرمافزاری و فرآیندهای سازمانی را اساساً دگرگون میکند.
💡 نکته: فاصلهی واقعی بین سازمانهایی که AI را deploy کردهاند و آنهایی که فقط با آن آزمایش میکنند، در همین گام از assistance به execution است.
👥 برای کی: مهندسان و معماران نرمافزاری که روی یکپارچهسازی AI در محیطهای enterprise کار میکنند.
🔗 https://openai.com/index/how-enterprises-put-ai-to-work
#ai #LLM #agent
@BenFeed
OpenAI
From assistance to execution: How enterprises put AI to work
OpenAI research reveals how enterprises are adopting agentic AI, using ChatGPT and Codex, and how frontier firms are pulling ahead in AI adoption.
cactus-compute/needle
مدل زبانی ۱۴ مگابایتی برای دستگاههای بسیار کوچک
یک foundation model فقط ۱۴ مگابایت — طراحیشده برای اجرا روی گوشی، wearable، خانهی هوشمند و ربات؛ بدون نیاز به cloud و inference از راه دور.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: اجرای on-device LLM تا همین اواخر عملاً برای microcontrollerها و wearableها غیرممکن بود؛ این پروژه مرز را جابهجا میکند.
💡 نکته: حجم ۱۴ مگابایت یعنی حتی بدون GPU و بدون اتصال شبکه میتوان یک model معنادار را embed کرد — این برای edge computing تحولساز است.
👥 برای کی: توسعهدهندههایی که روی embedded systems، IoT، robotics یا on-device AI کار میکنند.
🔗 https://github.com/cactus-compute/needle
#backend #edge #LLM
@BenFeed
مدل زبانی ۱۴ مگابایتی برای دستگاههای بسیار کوچک
یک foundation model فقط ۱۴ مگابایت — طراحیشده برای اجرا روی گوشی، wearable، خانهی هوشمند و ربات؛ بدون نیاز به cloud و inference از راه دور.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: اجرای on-device LLM تا همین اواخر عملاً برای microcontrollerها و wearableها غیرممکن بود؛ این پروژه مرز را جابهجا میکند.
💡 نکته: حجم ۱۴ مگابایت یعنی حتی بدون GPU و بدون اتصال شبکه میتوان یک model معنادار را embed کرد — این برای edge computing تحولساز است.
👥 برای کی: توسعهدهندههایی که روی embedded systems، IoT، robotics یا on-device AI کار میکنند.
🔗 https://github.com/cactus-compute/needle
#backend #edge #LLM
@BenFeed
GitHub
GitHub - cactus-compute/needle: 14MB foundation model for tiny devices; phones, wearables, smart home, and robots.
14MB foundation model for tiny devices; phones, wearables, smart home, and robots. - cactus-compute/needle
Daybreak models are now available on AWS
مدلهای Daybreak حالا روی AWS در دسترساند
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: دسترسی به مدلهای OpenAI از طریق زیرساخت AWS یعنی تیمهایی که قبلاً به دلایل compliance یا معماری نمیتونستن از این مدلها استفاده کنن، حالا گزینهی جدیدی دارن.
💡 نکته: ادغام OpenAI با اکوسیستم AWS این رقابت رو جالبتر میکنه — چون AWS خودش روی Bedrock و مدلهای Anthropic سرمایهگذاری سنگینی کرده.
👥 برای کی: تیمهایی که روی AWS deploy میکنن و دنبال جایگزینِ managed برای LLM inference هستن.
🔗 https://openai.com/index/daybreak-models-are-now-available-on-aws
#ai #LLM #backend
@BenFeed
مدلهای Daybreak حالا روی AWS در دسترساند
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: دسترسی به مدلهای OpenAI از طریق زیرساخت AWS یعنی تیمهایی که قبلاً به دلایل compliance یا معماری نمیتونستن از این مدلها استفاده کنن، حالا گزینهی جدیدی دارن.
💡 نکته: ادغام OpenAI با اکوسیستم AWS این رقابت رو جالبتر میکنه — چون AWS خودش روی Bedrock و مدلهای Anthropic سرمایهگذاری سنگینی کرده.
👥 برای کی: تیمهایی که روی AWS deploy میکنن و دنبال جایگزینِ managed برای LLM inference هستن.
🔗 https://openai.com/index/daybreak-models-are-now-available-on-aws
#ai #LLM #backend
@BenFeed
OpenAI
Daybreak models are now available on AWS
OpenAI and AWS are making Daybreak cybersecurity capabilities available through Amazon Bedrock to support enterprise security workflows.
WorldClaw Agentic 3D open-world generation at scale
تولید مقیاسپذیر دنیای سهبعدیِ باز با رویکرد agentic
یک prompt ساده کافی است — WorldClaw یک framework مبتنی بر agent است که آن را به یک صحنهی سهبعدیِ کامل، قابلکاوش و قابلویرایش تبدیل میکند.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: تولید محیطهای سهبعدی باز معمولاً نیاز به pipelineهای پیچیدهی دستی داشت؛ این رویکرد agentic میتواند فرآیند ساخت دنیا در بازیها و شبیهسازها را متحول کند.
💡 نکته: قابلویرایش بودن خروجی — نه فقط قابلمشاهده — تفاوت اصلی این framework با رقباست که خروجیهای static تولید میکنند.
👥 برای کی: توسعهدهندههای game، متخصصان 3D generation و کسانی که روی agentهای خلاق کار میکنند.
🔗 https://tencent-hunyuan.github.io/Hunyuan3D-WorldClaw/
#ai #agent #3D
@BenFeed
تولید مقیاسپذیر دنیای سهبعدیِ باز با رویکرد agentic
یک prompt ساده کافی است — WorldClaw یک framework مبتنی بر agent است که آن را به یک صحنهی سهبعدیِ کامل، قابلکاوش و قابلویرایش تبدیل میکند.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: تولید محیطهای سهبعدی باز معمولاً نیاز به pipelineهای پیچیدهی دستی داشت؛ این رویکرد agentic میتواند فرآیند ساخت دنیا در بازیها و شبیهسازها را متحول کند.
💡 نکته: قابلویرایش بودن خروجی — نه فقط قابلمشاهده — تفاوت اصلی این framework با رقباست که خروجیهای static تولید میکنند.
👥 برای کی: توسعهدهندههای game، متخصصان 3D generation و کسانی که روی agentهای خلاق کار میکنند.
🔗 https://tencent-hunyuan.github.io/Hunyuan3D-WorldClaw/
#ai #agent #3D
@BenFeed
WorldClaw
WorldClaw: Agentic 3D Open-World Generation at Scale
From one open-ended prompt to an explicit, explorable, and editable 3D world.
pg_clickhouse v0.10: Subquery pushdown and 1000x faster TPC-H queries
نسخهی ۰.۱۰ افزونهی pg_clickhouse: pushdown زیرپرسوجو و کوئریهای ۱۰۰۰ برابر سریعتر
در نسخهی ۰.۱۰.۰ افزونهی pg_clickhouse، اکنون ۱۶ تا از ۲۲ کوئری TPC-H بهصورت کامل به ClickHouse push down میشوند. علاوه بر این، driver سمت C بازنویسی شده و پشتیبانی از aggregateهای بیشتری هم اضافه شده است.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: وقتی میتوانی queryهای سنگین تحلیلی را مستقیم از PostgreSQL به ClickHouse push down کنی، دیگر نیازی به بازنویسی کامل stack نداری — این یعنی مهاجرت تدریجی بدون درد.
💡 نکته: بازنویسی driver به C نشان میدهد که تیم دارد روی latency واقعی کار میکند، نه فقط featureهای روی کاغذ.
👥 برای کی: توسعهدهندههایی که با PostgreSQL کار میکنند و به analytical queryهای سریعتر نیاز دارند.
🔗 https://clickhouse.com/blog/pg_clickhouse-whats-new-july-2026
#backend #database #ClickHouse
@BenFeed
نسخهی ۰.۱۰ افزونهی pg_clickhouse: pushdown زیرپرسوجو و کوئریهای ۱۰۰۰ برابر سریعتر
در نسخهی ۰.۱۰.۰ افزونهی pg_clickhouse، اکنون ۱۶ تا از ۲۲ کوئری TPC-H بهصورت کامل به ClickHouse push down میشوند. علاوه بر این، driver سمت C بازنویسی شده و پشتیبانی از aggregateهای بیشتری هم اضافه شده است.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: وقتی میتوانی queryهای سنگین تحلیلی را مستقیم از PostgreSQL به ClickHouse push down کنی، دیگر نیازی به بازنویسی کامل stack نداری — این یعنی مهاجرت تدریجی بدون درد.
💡 نکته: بازنویسی driver به C نشان میدهد که تیم دارد روی latency واقعی کار میکند، نه فقط featureهای روی کاغذ.
👥 برای کی: توسعهدهندههایی که با PostgreSQL کار میکنند و به analytical queryهای سریعتر نیاز دارند.
🔗 https://clickhouse.com/blog/pg_clickhouse-whats-new-july-2026
#backend #database #ClickHouse
@BenFeed
ClickHouse
What's new in pg_clickhouse v0.10.0: Subqueries, TPC-H Speedups, C Driver, and Aggregates | ClickHouse
Discover what's new in pg_clickhouse v0.10.0: 16 of 22 TPC-H queries now push down in full, plus a rebuilt C driver and broader aggregate support.
Mojo 1.0 Is Here
نسخهی ۱.۰ Mojo اینجاست
امروز زبان Mojo بهطور رسمی به نسخهی ۱.۰ رسید؛ نقطهعطفی که از اولین انتشارش در سال ۲۰۲۳ به سمتش حرکت میکرد. حالا Mojo یک زبان همهمنظورهی بالغ است با جامعهی توسعهدهندهای که روی آن library، ابزار و اپلیکیشن میسازند؛ و با رسیدن به نسخهی ۱.۰، دیگر میشود روی یک پایهی stable و production-ready برای بلندمدت حساب باز کرد.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: رسیدن به نسخهی ۱.۰ یعنی تضمینِ stability و عدم breaking change برای کسانی که میخواهند Mojo را جدی وارد stack تولیدیشان کنند.
💡 نکته: Mojo از ابتدا با هدفِ جایگزینیِ Python در workloadهای سنگین AI و HPC طراحی شده؛ رسیدن به این milestone سرعت adoption در محیطهای production را بالا میبرد.
👥 برای کی: توسعهدهندههایی که روی AI inference، HPC یا جایگزینهای Python کار میکنند.
🔗 https://www.modular.com/blog/modular-26-5-mojo-1-0-is-here
#ai #backend #Mojo
@BenFeed
نسخهی ۱.۰ Mojo اینجاست
امروز زبان Mojo بهطور رسمی به نسخهی ۱.۰ رسید؛ نقطهعطفی که از اولین انتشارش در سال ۲۰۲۳ به سمتش حرکت میکرد. حالا Mojo یک زبان همهمنظورهی بالغ است با جامعهی توسعهدهندهای که روی آن library، ابزار و اپلیکیشن میسازند؛ و با رسیدن به نسخهی ۱.۰، دیگر میشود روی یک پایهی stable و production-ready برای بلندمدت حساب باز کرد.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: رسیدن به نسخهی ۱.۰ یعنی تضمینِ stability و عدم breaking change برای کسانی که میخواهند Mojo را جدی وارد stack تولیدیشان کنند.
💡 نکته: Mojo از ابتدا با هدفِ جایگزینیِ Python در workloadهای سنگین AI و HPC طراحی شده؛ رسیدن به این milestone سرعت adoption در محیطهای production را بالا میبرد.
👥 برای کی: توسعهدهندههایی که روی AI inference، HPC یا جایگزینهای Python کار میکنند.
🔗 https://www.modular.com/blog/modular-26-5-mojo-1-0-is-here
#ai #backend #Mojo
@BenFeed
Modular
Modular: Modular 26.5: Mojo 1.0 is here!
Today, the Mojo language officially reaches 1.0: a milestone the language has been building toward since its first release in 2023. Mojo has grown into a general-purpose language with a vibrant developer community writing their own libraries, tools, and applications…
Claude will watermark AI-generated text and images
متنها و تصاویر تولیدشده توسط Claude بهزودی واترمارک میخورند
ردیابی جدیدترین open-weight مدلهای هوش مصنوعی، agent harnessها و ابزارها — ببینید چه چیزی روی hardware شما اجرا میشود، چه کسی از چه چیزی استفاده میکند، و مقایسهی صادقانهی هزینهها.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: watermarking محتوای تولیدشده توسط AI یکی از مهمترین چالشهای تشخیصپذیری و اعتماد در سیستمهای هوش مصنوعی است و میتواند معیار جدیدی برای شفافیت در این حوزه بشود.
💡 نکته: اگر این watermarkها بهراحتی قابل حذف یا دور زدن باشند، ارزش عملیشان زیر سؤال میرود — اجرا مهمتر از اعلام است.
👥 برای کی: توسعهدهندههایی که روی سیستمهای تولید محتوا، content moderation یا detection کار میکنند.
🔗 https://tokenstead.ai/
#ai #LLM
@BenFeed
متنها و تصاویر تولیدشده توسط Claude بهزودی واترمارک میخورند
ردیابی جدیدترین open-weight مدلهای هوش مصنوعی، agent harnessها و ابزارها — ببینید چه چیزی روی hardware شما اجرا میشود، چه کسی از چه چیزی استفاده میکند، و مقایسهی صادقانهی هزینهها.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: watermarking محتوای تولیدشده توسط AI یکی از مهمترین چالشهای تشخیصپذیری و اعتماد در سیستمهای هوش مصنوعی است و میتواند معیار جدیدی برای شفافیت در این حوزه بشود.
💡 نکته: اگر این watermarkها بهراحتی قابل حذف یا دور زدن باشند، ارزش عملیشان زیر سؤال میرود — اجرا مهمتر از اعلام است.
👥 برای کی: توسعهدهندههایی که روی سیستمهای تولید محتوا، content moderation یا detection کار میکنند.
🔗 https://tokenstead.ai/
#ai #LLM
@BenFeed
Tokenstead
Tokenstead - Latest Open AI Models, Tooling & Hardware
Follow the newest open-weight models, agent harnesses, and tooling, then see what runs on your own hardware. Sovereign AI, not subscription AI.
Compute-Optimal Is Not Cluster-Optimal
بهینهی محاسباتی لزوماً بهینهی cluster نیست
مقالهی جدید ما مرحلهی systems را درون مرحلهی scaling law ادغام میکند. وقتی هر architecture کاندید را بر اساس آنچه cluster واقعاً تحویل میدهد قیمتگذاری کنید، جواب عوض میشود: میزان sparsity بهینه برای یک MoE دیگر همان چیزی نیست که فقط از دیدِ compute حساب میکردید.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: اکثر تیمها scaling law را بدون در نظر گرفتن محدودیتهای واقعی cluster اجرا میکنند؛ این کار تصمیمهای architecture را از پایه دچار خطا میکند.
💡 نکته: بهینهسازی جداگانهی compute و systems دو جواب متفاوت میدهد — ترکیبشان چارچوب تازهای برای انتخاب MoE sparsity است.
👥 برای کی: کسانی که روی training infrastructure، architecture search یا scaling LLM کار میکنند.
🔗 https://szha.ai/blog/compute-optimal-is-not-cluster-optimal/
#ai #LLM #backend
@BenFeed
بهینهی محاسباتی لزوماً بهینهی cluster نیست
مقالهی جدید ما مرحلهی systems را درون مرحلهی scaling law ادغام میکند. وقتی هر architecture کاندید را بر اساس آنچه cluster واقعاً تحویل میدهد قیمتگذاری کنید، جواب عوض میشود: میزان sparsity بهینه برای یک MoE دیگر همان چیزی نیست که فقط از دیدِ compute حساب میکردید.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: اکثر تیمها scaling law را بدون در نظر گرفتن محدودیتهای واقعی cluster اجرا میکنند؛ این کار تصمیمهای architecture را از پایه دچار خطا میکند.
💡 نکته: بهینهسازی جداگانهی compute و systems دو جواب متفاوت میدهد — ترکیبشان چارچوب تازهای برای انتخاب MoE sparsity است.
👥 برای کی: کسانی که روی training infrastructure، architecture search یا scaling LLM کار میکنند.
🔗 https://szha.ai/blog/compute-optimal-is-not-cluster-optimal/
#ai #LLM #backend
@BenFeed
Sheng Zha
Compute-Optimal Is Not Cluster-Optimal — Sheng Zha
Our new paper folds the systems stage into the scaling-law stage. Price every candidate architecture on what the cluster actually delivers, and the answer changes: the sparsity an MoE 'should' have depends on the cluster you train it on.