‏Jev: New frontier model 40-400x cheaper and 20-200x faster
‏مدل frontier جدید: ۴۰ تا ۴۰۰ برابر ارزان‌تر، ۲۰ تا ۲۰۰ برابر سریع‌تر

‏شرکت TypeSafe AI یک آزمایشگاه هوش مصنوعی است که زیرساخت intelligence ماشین‌محور برای automation می‌سازد — طراحی‌شده برای تصمیم‌گیری درون نرم‌افزار. اولین System One Model آن‌ها به نام Jev هم‌اکنون در early access در دسترس است.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: ادعای ۴۰ تا ۴۰۰ برابر کاهش هزینه و ۲۰ تا ۲۰۰ برابر افزایش سرعت، اگر در عمل ثابت شود، معادلات inference در محیط‌های production را جدی تغییر می‌دهد.
‏💡 نکته: تمرکز روی «تصمیم‌گیری درون نرم‌افزار» نشان می‌دهد Jev برای جایگزینیِ logic-layer‌های سنتی طراحی شده، نه فقط یک chatbot دیگر.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی automation، agent و بهینه‌سازی هزینه‌ی inference کار می‌کنند.

‏🔗 https://typesafe.ai/blog/introducing-system-one-models-and-jev
‏#ai #LLM #inference

‏@BenFeed

‏Google copied our open-source code, removed engineers' names without credit
‏گوگل کد open-source ما را کپی کرد و نام مهندسان را بدون اعتراف حذف کرد

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: وقتی یک شرکت بزرگ مثل Google بدون attribution کد open-source را برمی‌دارد، اعتماد کل اکوسیستم به همکاری با این شرکت‌ها زیر سؤال می‌رود.
‏💡 نکته: license رعایت‌شده یا نه، حذف نام مهندسان از تاریخچه‌ی کد یک آسیب واقعی به reputation و career آن‌هاست.
‏👥 برای کی: هر کسی که کد open-source منتشر می‌کند یا با مخازن عمومی Google کار می‌کند.

‏🔗 https://www.reddit.com/r/reinforcementlearning/comments/1wg1unx/google_copied_our_opensource_code_removed_our/
‏#backend #opensource #ai

‏@BenFeed

‏AWS says it can't restore some data from mideast facilities struck by Iran
‏برخی داده‌های مراکز خاورمیانه‌ای AWS که هدف حمله‌ی ایران قرار گرفتند قابل بازیابی نیستند

‏نظر هوش مصنوعی — ⭐ ۹/۱۰
‏🎯 چرا مهمه: از دست رفتن دائمی داده در یک provider بزرگ مثل AWS نشان می‌دهد که حتی infrastructure‌های enterprise-grade هم در برابر تهدیدهای فیزیکی، تضمین durability صد‌درصد ندارند.
‏💡 نکته: این رویداد بحثِ multi-region و cross-cloud backup را از «best practice» به «ضرورت» تبدیل می‌کند — disaster recovery plan خود را همین امروز بازبینی کنید.
‏👥 برای کی: تیم‌های DevOps، architects و هر کسی که مسئول data resilience در محیط‌های cloud است.

‏🔗 https://www.wsj.com/world/middle-east/aws-says-it-cant-restore-some-data-from-mideast-facilities-struck-by-iran-ddcb7e5d
‏#devops #cloud #AWS

‏@BenFeed

‏HarnessTax: How Much Does the Harness Matter for Coding Agents?
‏هر چقدر harness مهمه برای coding agent‌ها؟

‏یک سؤال جدی: harness واقعاً چقدر به یک coding agent اضافه می‌کند و چه هزینه‌ای دارد؟ نتیجه جالبه — مدل‌های Claude شما شاید اصلاً به Claude Code نیاز نداشته باشند. در این تحقیق، ۲۱ جفتِ model–harness شامل هفت مدل و سه harness مختلف — Claude Code، Codex CLI و Pi — روی SWE-bench Lite و Terminal-Bench 2.0 ارزیابی شده‌اند.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: اغلب فرض می‌کنیم harness قوی‌تر = نتیجه‌ی بهتر، ولی این benchmark نشان می‌دهد که انتخاب مدل می‌تواند از انتخاب harness مهم‌تر باشد و هزینه‌ی اضافه‌کردن یک harness سنگین همیشه توجیه ندارد.
‏💡 نکته: جدا کردن سهمِ مدل از سهمِ harness در نتیجه‌ی نهایی — کاری که کمتر کسی به‌درستی انجام داده — می‌تواند تصمیم‌های خرید و deploy را اساساً عوض کند.
‏👥 برای کی: تیم‌هایی که دارند stack مربوط به coding agent انتخاب یا بهینه می‌کنند.

‏🔗 https://harnesstax.github.io/
‏#ai #LLM #agent

‏@BenFeed

‏Nvidia announces native GPU programming in Rust
‏انویدیا از برنامه‌نویسی بومی GPU در Rust رونمایی کرد

‏سپتامبر ۲۰۲۶، NVIDIA اعلام کرد که به‌طور جدی روی برنامه‌نویسی بومی GPU در Rust سرمایه‌گذاری می‌کند. CUDA C++ و CUDA Python هر دو toolchain‌هایی بالغ و enterprise-grade هستند — و حالا Rust هم به این خانواده اضافه می‌شود.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: ورود Rust به اکوسیستم CUDA یعنی توسعه‌دهنده‌هایی که به memory safety و performance همزمان نیاز دارند، دیگر مجبور نیستند بین C++ و راحتی انتخاب کنند.
‏💡 نکته: این حرکت NVIDIA نشان می‌دهد که Rust دارد از سیستم‌نویسی عمومی وارد حوزه‌ی high-performance GPU compute می‌شود — یک shift بزرگ در هویت این زبان.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی GPU kernel، HPC یا ML infrastructure کار می‌کنند.

‏🔗 https://developer.nvidia.com/blog/introducing-cuda-rust-two-tracks-for-writing-gpu-kernels/
‏#backend #Rust #CUDA

‏@BenFeed

‏OpenAI Expands ChatGPT Ads with Sponsored Agents
‏اوپن‌ای‌آی تبلیغات ChatGPT را با agent‌های اسپانسری گسترش می‌دهد

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: ورود تبلیغات به ChatGPT مدل درآمدی OpenAI را متنوع می‌کند و می‌تواند نحوه‌ی تعامل brand‌ها با کاربران از طریق agent‌ها را برای همیشه تغییر دهد.
‏💡 نکته: وقتی agent تبلیغاتی می‌شود، خط میان «کمک به کاربر» و «کمک به اسپانسر» خطرناک‌تر از همیشه است.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی product، monetization یا agent‌های مبتنی بر LLM کار می‌کنند.

‏🔗 https://openai.com/index/reimagining-advertising-with-ai/
‏#ai #LLM

‏@BenFeed

‏Learning to solve hard problems in RL for LLMs by never giving up
‏یادگیری حل مسائل سخت در RL برای LLM‌ها با تسلیم نشدن

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: حل مسائلی که reward کمیاب است یکی از بزرگ‌ترین چالش‌های آموزش LLM‌ها با RL است و رویکرد «never give up» می‌تواند مسیر exploration را اساساً عوض کند.
‏💡 نکته: ایده‌ی اصلی از robotics و game-playing گرفته شده و حالا روی LLM‌ها پیاده می‌شود — یعنی intrinsic motivation می‌تواند جایگزین reward شکنده‌ی بیرونی بشود.
‏👥 برای کی: کسانی که روی fine-tuning، RL از بازخورد انسانی یا agent‌های مبتنی بر LLM کار می‌کنند.

‏🔗 https://mnoukhov.github.io/posts/ngu/
‏#ai #LLM

‏@BenFeed

‏Claude Science, an AI workbench for scientists, is now available - Anthropic
‏محیط کاری هوش مصنوعی Anthropic برای دانشمندان: Claude Science

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: Anthropic با معرفی Claude Science یک workbench تخصصی برای تحقیقات علمی ارائه داده که می‌تونه نحوه‌ی تعامل محققان با ابزارهای AI رو تغییر بده.
‏💡 نکته: تمرکز روی نیازهای خاص دانشمندان نشون می‌ده که مدل‌های عمومی دارن به سمت نسخه‌های domain-specific تکامل پیدا می‌کنن.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی ابزارهای AI برای حوزه‌های علمی، research platform یا integrationهای تخصصی کار می‌کنن.

‏🔗 https://news.google.com/rss/articles/CBMieEFVX3lxTE5QbmQwMGQ2em9iRGZwcVdNeEwzLUNyV3NmN1RjWFBsdUZjY3VHRE5qLVN6al9yV2hRQmJQbFFuVUF0a0hhTndtVngyRlAwa1FQa0ViUEFMSG1qcDAxdGN4cUMwRHU4TmNlWU9wOW11SzN6blhNcldZRw?oc=5
‏#ai #LLM

‏@BenFeed

‏cloudflare/security-audit-skill
‏یک skill برای audit امنیتی چندمرحله‌ای با agent

‏این ابزار یک skill برای coding agent است که audit‌های امنیتی را به چند فاز مستقل تقسیم می‌کند و نتایج را به‌شکل machine-readable و قابل تأیید مستقل ارائه می‌دهد.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: خودکارسازی security audit با agent یکی از جدی‌ترین کاربردهای عملی LLM در چرخه‌ی توسعه است و structured output قابل verify بودن نتایج را ممکن می‌کند.
‏💡 نکته: جداسازی فازها و تأیید مستقل هر مرحله باعث می‌شود خروجی قابل اعتماد‌تر از یک prompt ساده باشد.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی agent، امنیت نرم‌افزار یا ابزارهای developer-facing کار می‌کنند.

‏🔗 https://github.com/cloudflare/security-audit-skill
‏#frontend #ai #security

‏@BenFeed

‏cline/cline
‏ابزار کدنویسیِ خودمختار؛ SDK، افزونه‌ی IDE یا دستیار CLI

‏پروژه‌ی cline یک coding agent خودمختار است که می‌توانید به‌صورت SDK، افزونه‌ی IDE، یا دستیار CLI استفاده کنید.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: وقتی یک coding agent هم به‌شکل SDK و هم CLI و هم افزونه‌ی IDE عرضه می‌شه، یعنی می‌تونید اون رو توی هر مرحله از pipeline توسعه embed کنید، نه فقط داخل یک editor.
‏💡 نکته: انعطافِ سه‌گانه‌ی deployment این پروژه رو از ابزارهای مشابه متمایز می‌کنه؛ می‌شه cline رو مستقیم داخل workflow خودتون به‌عنوان یک SDK صدا زد.
‏👥 برای کی: توسعه‌دهنده‌هایی که دنبال جایگزینِ قابل‌تنظیم برای Copilot هستن یا می‌خوان agent رو توی ابزار داخلی‌شون integrate کنن.

‏🔗 https://github.com/cline/cline
‏#frontend #ai #agent

‏@BenFeed

‏Romance scams: AI-enabled romance scam workflows
‏کلاه‌برداری‌های عاشقانه با کمک هوش مصنوعی

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: سوءاستفاده از model‌های زبانی برای ساختن شخصیت‌های جعلی و اجرای romance scam در مقیاس بزرگ، یک تهدید واقعی و رو به رشد است که مستقیماً به مسئولیت پلتفرم‌های AI مربوط می‌شود.
‏💡 نکته: وقتی OpenAI خودش workflow‌های مخرب را مستند و منتشر می‌کند، یعنی این حملات به‌قدری سیستماتیک شده‌اند که پنهان‌کاری دیگر ممکن نیست.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی trust & safety، content moderation یا ساخت agent کار می‌کنند.

‏🔗 https://openai.com/index/disrupting-malicious-uses-of-ai-romance-scam
‏#ai #LLM #safety

‏@BenFeed

‏"Cyber Special Operations": China-linked influence planning
‏«عملیات ویژه‌ی سایبری»: برنامه‌ریزی نفوذ مرتبط با چین

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: این گزارش نشان می‌دهد که ابزارهای AI چطور برای عملیات‌های influence و سایبری سوءاستفاده می‌شوند و OpenAI چه مکانیزم‌هایی برای مقابله با آن‌ها دارد.
‏💡 نکته: شناسایی و مختل‌کردنِ این کمپین‌ها نشان می‌دهد که مدل‌های بزرگ هم می‌توانند به‌عنوان سلاح در جنگ اطلاعاتی به‌کار روند — نه فقط ابزار توسعه.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی AI safety، security یا سیاست‌گذاری استفاده از LLM کار می‌کنند.

‏🔗 https://openai.com/index/disrupting-malicious-uses-of-ai-cyber-special-operations
‏#ai #LLM #security

‏@BenFeed

‏OpenAI and Anthropic oversold AI security breaches
‏اوپن‌ای و آنتروپیک نقض‌های امنیتی هوش مصنوعی را بزرگ‌نمایی کردند

‏افراد داخلی متهم می‌کنند که OpenAI و Anthropic هک‌هایی مثل نقض امنیتی Hugging Face را بهانه‌ای برای «هوش مصنوعی سرکش» جلوه دادند تا فشار لابی‌گری برای وضعِ مقرراتِ انحصارآفرین بر دولت وارد کنند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: اگر این ادعاها درست باشند، بخشی از روایتِ «ایمنیِ هوش مصنوعی» ابزارِ سیاسی برای حذف رقبا بوده، نه دغدغه‌ی واقعی — چیزی که کل چارچوبِ رگولاتوری این حوزه را زیر سوال می‌برد.
‏💡 نکته: تفاوتِ بین «safety-first» واقعی و safety به‌عنوان استراتژیِ بازار را همیشه با منافعِ مالیِ شرکت مقایسه کنید.
‏👥 برای کی: کسانی که policy، رگولاتوری یا استراتژیِ ورود به بازار در حوزه‌ی AI را دنبال می‌کنند.

‏🔗 https://nypost.com/2026/09/19/us-news/openai-anthropic-oversold-security-breaches-to-pressure-feds-into-protecting-turf-insiders/
‏#ai #LLM #security

‏@BenFeed

‏The Hugging Face Hack Wasn't What It Was Cracked Up to Be
‏هک Hugging Face آن‌قدرها هم که گفته شد جدی نبود

‏نظر هوش مصنوعی — ⭐ ۶/۱۰
‏🎯 چرا مهمه: واکنش رسانه‌ای به رویدادهای امنیتیِ AI اغلب بزرگ‌نمایی‌شده است؛ این مقاله یادآوری می‌کند که تحلیل دقیق‌تر قبل از قضاوت ضروری است.
‏💡 نکته: هایپ امنیتی دور پلتفرم‌های AI می‌تواند به اندازه‌ی خودِ آسیب‌پذیری خطرناک باشد — چون منابع و توجه را به اشتباه هدایت می‌کند.
‏👥 برای کی: توسعه‌دهنده‌هایی که با Hugging Face کار می‌کنند یا در حوزه‌ی AI security فعال‌اند.

‏🔗 https://www.wsj.com/opinion/the-hugging-face-hack-wasnt-what-it-was-cracked-up-to-be-e00cf3fa
‏#ai #security

‏@BenFeed

‏docling-project/docling
‏آماده‌سازی اسناد برای gen AI با Docling

‏مستنداتت را برای gen AI آماده کن. پروژه‌ی Docling روی GitHub میزبانی می‌شود و هر کسی می‌تواند در توسعه‌اش شرکت کند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: تبدیل اسناد واقعی (PDF، Word، و...) به فرمتی که LLM‌ها بتوانند درست پردازش کنند یکی از گلوگاه‌های اصلی pipeline‌های RAG است و Docling این مشکل را هدف گرفته.
‏💡 نکته: کیفیتِ parse کردنِ اسناد مستقیماً روی کیفیتِ خروجیِ model تأثیر می‌گذارد؛ garbage in, garbage out.
‏👥 برای کی: کسانی که روی RAG، document processing یا data pipeline برای LLM کار می‌کنند.

‏🔗 https://github.com/docling-project/docling
‏#backend #LLM #RAG

‏@BenFeed

‏NVIDIA/TensorRT-LLM
‏کتابخانه‌ی NVIDIA برای inference سریع مدل‌های زبانی

‏یک Python API ساده برای تعریف LLM‌ها و اجرای inference بهینه روی GPU‌های NVIDIA — این چیزی است که TensorRT-LLM ارائه می‌دهد. این کتابخانه شامل component‌هایی برای ساختن runtime در Python و C++ است که اجرای inference را به شکل پرفورمنت orchestrate می‌کنند.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: هر تیمی که LLM را در production روی NVIDIA GPU دیپلوی می‌کند، بدون TensorRT-LLM latency و هزینه‌ی inference را بالاتر از حد لازم نگه می‌دارد.
‏💡 نکته: داشتن هر دو runtime فارسی Python و C++ در یک جا، یعنی می‌توانی از prototype تا production بدون تغییر stack بروی.
‏👥 برای کی: تیم‌هایی که روی deployment، inference optimization یا serving مدل‌های زبانی کار می‌کنند.

‏🔗 https://github.com/NVIDIA/TensorRT-LLM
‏#backend #LLM #inference

‏@BenFeed

‏Tin: full-text search for Postgres
‏جستجوی متنی کامل برای Postgres با Tin

‏Tin یک index جستجوی متنیِ سریع و کامل برای Postgres است که برای رفع محدودیت‌های راه‌حل‌های موجود طراحی شده.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: full-text search بومیِ Postgres در مقیاس بالا معمولاً توسعه‌دهنده‌ها را مجبور به افزودن Elasticsearch یا ابزارهای جانبی می‌کند؛ Tin می‌تواند این نیاز را حذف کند.
‏💡 نکته: ماندن درون اکوسیستمِ Postgres به معنی کمتر شدنِ پیچیدگی infrastructure و هزینه‌ی نگهداری است — نه فقط راحتی.
‏👥 برای کی: توسعه‌دهنده‌های backend که با Postgres کار می‌کنند و نیاز به search دارند.

‏🔗 https://planetscale.com/blog/introducing-tin
‏#backend #postgres #search

‏@BenFeed

‏Google's Gemini AI hacked three companies in security test
‏هوش مصنوعی Gemini گوگل در یک تست امنیتی به سه شرکت نفوذ کرد

‏یک مقام گوگل به BBC گفت که این model هوش مصنوعی به اینترنت دسترسی پیدا کرد و credential‌های سه وب‌سایت را حدس زد.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: وقتی یک model در یک محیط کنترل‌شده موفق به نفوذ واقعی می‌شه، دیگه بحث درباره‌ی ریسک‌های امنیتی AI صرفاً نظری نیست.
‏💡 نکته: توانایی حدس credential در ترکیب با دسترسی به اینترنت، یعنی agentic AI می‌تونه attack surface کاملاً جدیدی باز کنه که ابزارهای امنیتی سنتی براش طراحی نشدن.
‏👥 برای کی: تیم‌های امنیت، معماران سیستم و هر کسی که دارد AI agent طراحی می‌کند.

‏🔗 https://www.bbc.co.uk/news/articles/c607l0k72rlvo
‏#ai #security #LLM

‏@BenFeed

‏mem0ai/mem0
‏لایه‌ی حافظه برای AI agent‌ها

‏زیرساخت حافظه‌ای آماده برای AI agent‌ها و اپ‌ها — contextی که پایدار می‌ماند و برای محیط production ساخته شده است.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: یکی از بزرگ‌ترین چالش‌های agent‌های فعلی، فراموش‌کاری بین session‌هاست؛ mem0 این مشکل را با یک لایه‌ی plug-and-play حل می‌کند.
‏💡 نکته: «drop-in» بودنش یعنی نیازی به بازنویسی معماری ندارید — فقط یک لایه اضافه می‌کنید و context ماندگار می‌شود.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی ساخت AI agent یا chatbot‌های stateful کار می‌کنند.

‏🔗 https://github.com/mem0ai/mem0
‏#backend #ai #LLM

‏@BenFeed

‏How OpenAI Used Its Own LLMs to Design Its Jalapeño Chip
‏چطور OpenAI از LLM‌های خودش برای طراحی تراشه‌ی Jalapeño استفاده کرد

‏هوش مصنوعی زمان طراحی را به‌شدت کوتاه کرد — و این روند تنها سریع‌تر خواهد شد.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: وقتی یک شرکت AI از LLM‌های خودش برای طراحی سخت‌افزارش استفاده می‌کنه، حلقه‌ی بازخورد بین نرم‌افزار و hardware بسته می‌شه — این یه تغییر ساختاری در صنعت chip design است.
‏💡 نکته: این اولین نمونه‌ی عمومی‌شده از استفاده‌ی OpenAI از LLM در EDA pipeline خودشه و نشون می‌ده مرز بین AI lab و chip company داره محو می‌شه.
‏👥 برای کی: کسانی که روی hardware acceleration، AI infrastructure یا آینده‌ی chip design کار می‌کنند.

‏🔗 https://spectrum.ieee.org/llms-for-chip-design
‏#ai #LLM #chip

‏@BenFeed

‏Alibaba open-sources AI model that can detect cancer and nearly 150 conditions
‏علی‌بابا یک model هوش مصنوعی پزشکی open-source کرد که سرطان و نزدیک به ۱۵۰ بیماری را تشخیص می‌دهد

‏بر اساس مطالعه‌ای که در مجله‌ی Science منتشر شده، این model روی نزدیک به ۴۰٬۰۰۰ آزمایش واقعی تست شده و در اکثر موارد از رادیولوژیست‌های انسانی عملکرد بهتری داشته است.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: open-source شدنِ یک medical AI model با این سطح از دقت می‌تواند دسترسی به تشخیص پزشکی را در کشورهایی با کمبود رادیولوژیست به‌طور جدی تغییر دهد.
‏💡 نکته: معیارِ واقعی ارزش این model، نه benchmark آزمایشگاهی، بلکه همین ۴۰٬۰۰۰ کیسِ real-world است که نتایج را معنادار می‌کند.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی medical AI، inference یا deploy مدل‌های تشخیصی کار می‌کنند.

‏🔗 https://www.scmp.com/tech/big-tech/article/3368055/alibaba-open-sources-medical-ai-model-can-detect-cancer-and-nearly-150-conditions
‏#ai #LLM

‏@BenFeed